### 使用训练好的 Informer 模型进行预测 为了利用训练好的 Informer 模型执行时间序列预测任务，可以参考 `main_informer.py` 文件中的推理部分以及 `exp/train.py` 和 `exp/evaluate.py` 中的相关逻辑。以下是具体实现代码示例： #### 加载模型并进行预测 ```python import torch from models.model import InformerModel # 假设这是 Infromer 模型的定义位置 from exp.config import Config # 导入配置文件 from data.dataloader import DataLoader # 数据加载器 # 初始化配置对象 config = Config() # 创建数据加载器实例 data_loader = DataLoader(config) # 加载测试数据 test_data, test_loader = data_loader.get_test_data() # 定义设备 device = torch.device('cuda' if torch.cuda.is_available() else 'cpu') # 初始化 Informer 模型 model = InformerModel( enc_in=config.enc_in, dec_in=config.dec_in, c_out=config.c_out, seq_len=config.seq_len, label_len=config.label_len, out_len=config.out_len, factor=config.factor, d_model=config.d_model, n_heads=config.n_heads, e_layers=config.e_layers, d_layers=config.d_layers, d_ff=config.d_ff, dropout=config.dropout, attn=config.attn, embed=config.embed, freq=config.freq, activation=config.activation ).to(device) # 加载已保存的最佳模型权重 checkpoint_path = './exp/checkpoints/best_model.pth' model.load_state_dict(torch.load(checkpoint_path)) model.eval() # 执行预测 with torch.no_grad(): for i, (batch_x, batch_y, batch_x_mark, batch_y_mark) in enumerate(test_loader): pred, true = model(batch_x.to(device), batch_y.to(device), batch_x_mark.to(device), batch_y_mark.to(device)) # noqa: E501 print(f"Batch {i}: Prediction shape={pred.shape}, True value shape={true.shape}") ``` 此代码片段展示了如何加载已经训练完毕的 Informer 模型，并通过测试数据集对其进行推断操作[^2]。 #### 关键点说明 - **模型初始化**：根据配置文件中的参数创建 Informer 模型实例。 - **加载权重**：使用 `torch.load()` 方法读取之前存储的最佳模型权重文件。 - **数据准备**：从 `dataloader.py` 提供的数据管道获取测试数据。 - **前向传播**：调用模型的前向计算方法完成预测。 #### 注意事项 确保在实际部署环境中调整批量大小和其他运行时参数以适应硬件条件。此外，在生产环境下的实时预测可能还需要进一步优化性能[^1]。