### 使用 iTransformer 进行时间序列预测 对于时间序列预测，iTransformer 是一种基于 Transformer 架构的有效解决方案。此架构能够处理长时间依赖关系并提供更精确的预测结果[^1]。 #### 初始化环境和导入必要库 为了使用 iTransformer 实现时间序列预测，首先需要安装 `neuralforecast` 和其他必要的 Python 库： ```bash pip install neuralforecast darts ``` 接着，在代码中引入所需的模块： ```python import pandas as pd from darts.models import TFTModel from darts.dataprocessing.transformers import Scaler from darts.utils.timeseries_generation import datetime_attribute_timeseries from darts.datasets import AirPassengersDataset ``` #### 加载数据集 这里以航空乘客数量为例展示如何加载预置的时间序列数据： ```python series = AirPassengersDataset().load() scaler = Scaler() series_scaled = scaler.fit_transform(series) train, val = series_scaled[:-36], series_scaled[-36:] ``` #### 定义模型参数与实例化 iTransformer (TFTModel) 设置输入窗口大小、目标预测长度以及其他超参数，并创建一个具体的模型对象： ```python input_chunk_length = 24 output_chunk_length = 12 model = TFTModel( input_chunk_length=input_chunk_length, output_chunk_length=output_chunk_length, hidden_size=16, lstm_layers=1, num_attention_heads=4, dropout=0.1, batch_size=16, n_epochs=300, add_relative_index=True ) ``` #### 训练过程 利用 `.fit()` 方法对准备好的训练数据执行拟合操作： ```python covariates = ( datetime_attribute_timeseries(series.time_index, attribute='month', one_hot=True) ).with_same_start_as(train).stack( datetime_attribute_timeseries(series.time_index, attribute='year') )[:len(train)] model.fit(series=train, past_covariates=covariates, verbose=True) ``` #### 预测阶段 完成上述步骤之后，可以调用`.predict()`函数来进行未来趋势估计： ```python pred_series = model.predict(n=output_chunk_length, past_covariates=covariates) actual_value = scaler.inverse_transform(val[:output_chunk_length]) predicted_value = scaler.inverse_transform(pred_series) print(f'Predicted values:\n{predicted_value}') ```