在使用 Informer 时间序列预测模型时，如果已经训练好了一个模型，并希望在其他代码中调用该模型进行预测，通常需要完成以下几个步骤： 1. **保存训练好的模型**：将训练好的模型保存到文件中。 2. **加载模型**：在其他代码中加载保存的模型。 3. **准备输入数据**：将新的时间序列数据处理为模型所需的格式。 4. **进行预测**：使用加载的模型对新数据进行预测。 以下是详细的解决方案和代码示例： ### 1. 保存训练好的模型 假设你使用的是 PyTorch 框架来训练 Informer 模型，可以通过 `torch.save` 方法保存模型。 ```python import torch # 假设 model 是你的训练好的 Informer 模型 torch.save(model.state_dict(), 'informer_model.pth') ``` ### 2. 加载模型 在其他代码中，通过 `torch.load` 方法加载保存的模型参数，并实例化模型类。 ```python import torch from informer_model import InformerModel # 假设这是定义模型的类 # 实例化模型 model = InformerModel(...) # 根据模型定义填写参数 # 加载保存的模型参数 model.load_state_dict(torch.load('informer_model.pth')) # 将模型设置为评估模式 model.eval() ``` ### 3. 准备输入数据 确保输入数据与训练时的数据格式一致。通常需要对时间序列数据进行归一化、滑动窗口分割等预处理操作。 ```python import numpy as np # 示例：假设 new_data 是新的时间序列数据 new_data = np.array([...]) # 新的时间序列数据 # 数据预处理（例如归一化、转换为张量） mean = np.mean(new_data) std = np.std(new_data) normalized_data = (new_data - mean) / std # 转换为 PyTorch 张量 input_tensor = torch.tensor(normalized_data, dtype=torch.float32).unsqueeze(0) # 添加 batch 维度 ``` ### 4. 进行预测 使用加载的模型对新数据进行预测。 ```python # 使用模型进行预测 with torch.no_grad(): # 关闭梯度计算 predictions = model(input_tensor) # 反归一化预测结果 predictions = predictions.numpy() * std + mean print("预测结果:", predictions) ``` --- ### 解释 1. **保存模型**：`torch.save` 方法保存模型的参数（state_dict），而不是整个模型对象。这样可以更高效地存储和加载模型。 2. **加载模型**：通过 `torch.load` 加载保存的参数，并将其应用到模型实例上。 3. **数据预处理**：确保新数据的格式与训练数据一致，包括归一化、形状调整等。 4. **预测**：使用 `model.eval()` 将模型设置为评估模式，避免 Dropout 和 BatchNorm 等层的影响。 --- ###