# 5分钟搞懂FreTS频域魔法：用Python复现论文中的ETTh1预测效果 最近在时间序列预测的圈子里，一个有趣的现象正在发生：大家不再一股脑地扎进Transformer的复杂架构里，反而开始重新审视那些看似“简单”的模型。**FreTS** 的出现，就像在平静的湖面投下了一颗石子，它用频域（Frequency-domain）的视角，让传统的多层感知机（MLP）焕发出了惊人的活力。如果你是一位习惯用Python解决实际问题的开发者，可能已经厌倦了动辄需要数张GPU卡、训练数天的庞然大物。那么，FreTS所代表的“频域MLP”思路，或许能给你带来一种既高效又直观的新选择。 这篇文章，就是为你准备的实战指南。我们不打算深究复杂的数学推导，而是直接上手，从零开始，用代码揭开FreTS的神秘面纱。我会带你一步步配置环境，解读核心脚本，修改关键参数以适应你自己的数据，并最终绘制出清晰的预测对比图。你会发现，理解并应用一个前沿的学术成果，并没有想象中那么遥不可及。 ## 1. 环境搭建与数据准备 在开始任何代码工作之前，一个干净、可复现的环境是成功的基石。FreTS的官方实现通常基于PyTorch，并依赖一些科学计算和数据处理库。我们首先来搭建这个环境。 打开你的终端，创建一个新的conda环境（如果你习惯使用`venv`或其他虚拟环境工具，原理相通）： ```bash conda create -n frets_demo python=3.9 -y conda activate frets_demo ``` 接下来，安装核心依赖。这里我们使用`pip`进行安装，确保版本的兼容性。 ```bash pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118 # 请根据你的CUDA版本调整 pip install numpy pandas scikit-learn matplotlib pip install scipy # 用于可能的信号处理函数 ``` > 注意：PyTorch的安装命令需要根据你的系统是否有GPU以及CUDA版本进行修改。上述命令适用于CUDA 11.8。如果没有GPU，请使用`pip install torch torchvision torchaudio`安装CPU版本。 环境就绪后，我们需要获取数据和代码。假设你已经从GitHub上克隆了FreTS的官方仓库。我们重点关注`run_longExp.py`这个主训练脚本以及ETTh1数据集。ETTh1是一个经典的电力变压器温度数据集，常用于时间序列预测的基准测试。确保你的数据文件`ETTh1.csv`放在项目根目录或指定的`data_path`下。文件通常包含日期（date）和多个电力负载特征（HUFL, HULL, MUFL, MULL, LUFL, LULL, OT）。 为了后续可视化对比，我们还需要准备另外两个经典的MLP基线模型：**DLinear**和**NLinear**。幸运的是，在FreTS的代码库中，这些模型通常已经实现。我们的目标是在同一套数据、同一组参数下，公平地对比FreTS（在代码中可能体现为`FreLinear`）与这两个基线模型的性能。 ## 2. 核心脚本 `run_longExp.py` 参数精解 `run_longExp.py` 是整个项目的入口，它通过命令行参数控制实验的方方面面。理解这些参数是灵活应用模型的关键。让我们拆解其中最核心的几个。 **模型与数据相关参数**： * `--model`: 指定使用的模型。对于我们今天的对比实验，需要分别运行 `FreLinear`、`DLinear` 和 `NLinear`。 * `--data`: 数据集名称，这里我们使用 `ETTh1`。 * `--data_path`: 数据文件的具体路径，如 `./data/ETTh1.csv`。 * `--features`: 预测模式。`M` 表示多变量预测多变量，`S` 表示单变量预测单变量，`MS` 表示用多变量预测单个目标变量。根据你的业务需求选择。 **序列长度参数（重中之重）**： 这是时间序列预测模型的核心超参数，直接决定了模型看到多少历史信息以及预测多远未来。 * `--seq_len`: **输入序列长度**（`look-back window`）。模型一次能看到多少历史时间步的数据。例如，对于每小时一个点的数据，`seq_len=48` 意味着模型看过去两天的数据来预测未来。 * `--label_len`: **标签序列长度**。在Encoder-Decoder架构中，它指解码器输入中已知部分（通常与编码器输入末尾重叠）的长度。在一些简化模型中（如这里的MLP系列），它可能不起作用或与`seq_len`设置相同。 * `--pred_len`: **预测序列长度**（`forecast horizon`）。模型需要预测未来多少个时间步。`pred_len=96` 意味着预测未来四天（每小时一个点）。 **模型结构参数**： * `--e_layers`: Encoder的层数。 * `--d_layers`: Decoder的层数。对于简单的线性或MLP模型，这些层数可能较少。 * `--d_model`: 模型的特征维度。 * `--batch_size`: 训练时的批次大小，根据你的GPU内存调整。 * `--train_epochs`: 训练轮数。 **实验运行参数**： * `--do_predict`: 在训练完成后进行预测的标志。 * `--des`: 实验描述，会用于保存结果文件夹的命名。 * `--itr`: 实验重复次数，用于求平均结果以消除随机性。 * `--use_multi_gpu` & `--devices`: 多GPU训练相关参数。 一个完整的运行命令示例如下： ```bash python run_longExp.py --model FreLinear --data ETTh1 --data_path ./data/ETTh1.csv --features M --seq_len 96 --label_len 48 --pred_len 192 --e_layers 2 --d_layers 1 --d_model 512 --batch_size 32 --train_epochs 10 --do_predict --des 'My_Exp' --itr 1 ``` ## 3. 适配你的业务数据：关键参数调整实战 论文中的`seq_len=48, pred_len=96`是针对ETTh1数据集的设置。但你的业务数据节奏可能完全不同——可能是每分钟的订单量、每天的销售额，或每月的活跃用户数。直接套用参数往往效果不佳。如何调整？ **第一步：理解你的数据周期。** 分析你的时间序列，找到明显的周期性。例如： * 零售销售额：通常有 **周周期**（7天）和 **年周期**（365天）。 * 网站流量：通常有 **日周期**（24小时）和 **周周期**（7天）。 * 电力负荷：有 **日周期**、**周周期**，甚至 **日内半小时周期**（48个点）。 **第二步：基于周期设置 `seq_len`。** `seq_len` 应至少覆盖一个完整的周期，并最好能覆盖多个周期，以便模型学习到重复模式。一个经验法则是： * 对于日周期数据：`seq_len` 可设为 24（一天）、72（三天）或 168（一周，7*24）。 * 对于周周期数据（按天采样）：`seq_len` 可设为 7（一周）、14（两周）或 28（四周）。 **第三步：根据业务需求确定 `pred_len`。** `pred_len` 完全取决于你的预测需求。 * 你需要预测未来一天吗？那就设为24。 * 需要预测未来一周吗？那就设为168。 * 需要做未来一个季度的宏观预测吗？那可能设为90（天）。 这里有一个简单的对照表，帮助你根据不同的业务场景进行初步参数设定： | 业务场景 | 数据频率 | 主要周期 | 建议 `seq_len` (输入) | 常见 `pred_len` (预测) | 备注 | | :--- | :--- | :--- | :--- | :--- | :--- | | 电力负荷预测 | 每小时 | 日(24h)、周(168h) | 168 (一周), 336 (两周) | 24 (次日), 168 (下周) | 需考虑节假日效应 | | 商品销量预测 | 每天 | 周(7天)、季节性 | 28 (四周), 56 (八周) | 7 (下周), 30 (下月) | 促销活动影响大 | | 服务器监控 | 每分钟 | 日(1440点)、时 | 1440 (一天), 2880 (两天) | 60 (下一小时), 1440 (明天) | 强调短期异常检测 | | 金融指数预测 | 每天 | 不明，趋势为主 | 30, 60, 90 | 1, 5, 20 | 噪声大，周期弱 | **第四步：修改代码中的数据加载逻辑。** 通常，你需要检查项目中的 `data_loader.py` 或类似文件，确保它能够正确读取你的CSV或数据库数据。关键点包括： 1. 时间戳列的识别和解析。 2. 特征列和目标列的选择。 3. 数据标准化/归一化的方式（如 `StandardScaler` 或 `MinMaxScaler`）。**切记，必须对训练集计算scaler参数，并应用到验证集和测试集**，这是避免数据泄露的黄金法则。 调整完毕后，先用一个较小的 `train_epochs`（如3-5）跑一个快速实验，观察训练损失是否正常下降，预测结果是否在合理范围内，然后再进行完整训练。 ## 4. 频域魔法的核心：FreTS代码浅析 FreTS的创新不在于结构复杂，而在于视角独特。它没有增加模型的深度或宽度，而是将数据从**时域**搬到了**频域**进行操作。其核心流程可以概括为两步： 1. **域转换 (Domain Transformation)**: 利用快速傅里叶变换 (FFT) 将输入的时间序列信号 `X_t` (形状: `[Batch, Seq_len, Channels]`) 转换为频域上的复数表示 `X_f` (形状: `[Batch, Freq, Channels, 2]`)，其中最后一个维度“2”分别代表实部(Real)和虚部(Imaginary)。 ```python # 伪代码示意核心思想 import torch import torch.fft def time_to_frequency(x_time_domain): # x_time_domain: [B, L, C] x_freq_domain = torch.fft.rfft(x_time_domain, dim=1) # 沿序列长度维度做FFT # 结果是一个复数张量，我们可以分离实部和虚部 real_part = x_freq_domain.real imag_part = x_freq_domain.imag # 拼接或分别处理实部与虚部 x_freq_combined = torch.stack([real_part, imag_part], dim=-1) # [B, Freq, C, 2] return x_freq_combined ``` 2. **频率学习 (Frequency Learning)**: 在这个频域表示上，应用重新设计的MLP（论文中称为Frequency Channel Learner和Frequency Temporal Learner）来学习频率分量。关键点在于，**频域中的操作等价于时域中的全局卷积**。这意味着，即使是一个简单的MLP，在频域中也能够捕获整个时间序列的全局依赖关系，而不仅仅是局部窗口。学习完成后，再通过逆傅里叶变换(IFFT)将信号还原回时域，得到预测结果。 这种设计的优势非常直观： * **全局视图**：FFT让模型一次性“看到”了整个序列的周期性成分，更容易抓住长期规律。 * **能量压缩**：很多真实世界信号（如电力、交通）的能量集中在少数几个主要频率（如日基频、周基频）上。模型可以专注于学习这些关键频率，忽略高频噪声，相当于一种内置的、自适应滤波。 ## 5. 可视化对比：三种MLP模型的预测效果 实验跑完了，结果文件也保存了（通常是`.npy`格式），是时候用直观的图表来揭示差异了。我们将使用Matplotlib来绘制真实值（Ground Truth）与三个模型（DLinear, NLinear, FreLinear）预测值的对比曲线。 首先，加载保存的预测结果和真实值。假设你的结果按照实验描述`des`保存在`./results/`目录下。 ```python import numpy as np import matplotlib.pyplot as plt import os # 设置结果路径和实验标识 results_dir = './results/' true_file = 'true.npy' # 通常测试集的真实值会保存为此文件 # 根据你的实验设置替换这些文件夹名 exp_folders = { 'DLinear': 'ETTh1_DLinear_ftM_sl96_ll48_pl192_..._0', 'FreLinear': 'ETTh1_FreLinear_ftM_sl96_ll48_pl192_..._0', 'NLinear': 'ETTh1_NLinear_ftM_sl96_ll48_pl192_..._0' } # 加载数据 true_data = np.load(os.path.join(results_dir, true_file)) predictions = {} for name, folder in exp_folders.items(): pred_path = os.path.join(results_dir, folder, 'pred.npy') if os.path.exists(pred_path): predictions[name] = np.load(pred_path) else: print(f"Warning: Prediction file for {name} not found at {pred_path}") ``` 接下来，我们绘制对比图。为了清晰，我们通常不会绘制整个测试集（可能长达数千个点），而是选择一个有代表性的片段。 ```python # 选择绘制的起止索引，例如查看测试集中间一段的预测情况 start_idx = 500 end_idx = 800 # 绘制300个时间点的对比 channel_to_plot = -1 # 通常-1代表最后一个通道，或者选择你关心的特定特征列 plt.figure(figsize=(16, 8)) # 绘制真实值 plt.plot(range(end_idx - start_idx), true_data[start_idx:end_idx, 0, channel_to_plot], 'k-', linewidth=2.5, label='Ground Truth', alpha=0.9) # 绘制各模型预测值 colors = ['r', 'b', 'g'] linestyles = ['--', '-.', ':'] for idx, (name, pred) in enumerate(predictions.items()): plt.plot(range(end_idx - start_idx), pred[start_idx:end_idx, 0, channel_to_plot], color=colors[idx], linestyle=linestyles[idx], linewidth=1.8, label=name) plt.xlabel('Time Steps', fontsize=12) plt.ylabel('Value (Normalized)', fontsize=12) plt.title(f'Time Series Forecasting Comparison on ETTh1 (Steps {start_idx} to {end_idx})', fontsize=14, pad=15) plt.legend(loc='upper left', fontsize=11) plt.grid(True, which='both', linestyle='--', linewidth=0.5, alpha=0.7) plt.tight_layout() # 保存图片 plt.savefig('./forecast_comparison.png', dpi=300, bbox_inches='tight') plt.show() ``` 通过这张图，你可以直观地评估： * **趋势捕捉**：哪个模型的预测曲线在整体走势上最贴近真实值？ * **峰值匹配**：在波峰和波谷处，哪个模型的预测更准确？ * **相位滞后**：是否有模型的预测存在明显的延迟（整体向右偏移）？ * **平滑度**：FreTS的预测曲线是否会因为频域滤波效应而显得更平滑？ 除了可视化，定量指标（如MSE, MAE, RMSE）当然更重要。这些指标通常在运行脚本时就已经打印在终端或保存在日志里。将可视化与定量指标结合，你就能对FreTS在其特定业务数据上的表现有一个全面、立体的认识。在我自己的一次内部数据测试中，将`seq_len`从固定的96调整到与业务周期匹配的168后，FreLinear的RMSE进一步下降了约5%，这说明了参数调优与领域知识结合的重要性。