时间序列预测实战(十一)用SCINet实现滚动预测功能(附代码+数据集+原理介绍）

论文地址->SCINet官方论文地址

官方代码地址-> 官方代码下载地址

个人整理的代码地址->免费分享给大家创作不易请大家给文章点点赞

一、本文介绍

这篇文章给大家带来的是关于SCINet实现时间序列滚动预测功能的讲解，SCINet是样本卷积交换网络的缩写(Sample Convolutional Interchange Network)，SCINet号称是比现有的卷积模型和基于Transformer的模型准确率都有提升(我实验了几次效果确实不错)。本篇文章讲解的代码是我个人根据官方的代码总结出来的模型结构并且进行改进增加了滚动预测的功能。本篇实战案例中包括->详细的参数讲解、改进方向、数据集介绍、模型框架原理、项目结构、如何训练个人数据集的教程、以及结果分析和结果展示。本篇文章的讲解流程为->

适用对象->适合对精度有比较高要求的学习者

预测类型->单元变量预测、多元变量预测

二、模型框架原理

1.SCINet基本原理

SCINet是一个层次化的降采样-卷积-交互TSF框架，有效地对具有复杂时间动态的时间序列进行建模。通过在多个时间分辨率上迭代提取和交换信息，可以学习到具有增强可预测性的有效表示。此外，SCINet的基础构件，SCI-Block，通过将输入数据/特征降采样为两个子序列，然后使用不同的卷积滤波器提取每个子序列的特征。为了补偿降采样过程中的信息损失，每个SCI-Block内部都加入了两种卷积特征之间的交互学习。

个人总结：SCINet就是在不同的维度上面对数据进行处理进行特征提取工作，从而获得不同层次的特征。这点有点类似于目标检测的YOLO系列模型,一张图片进行不断的缩放和扩大获取不同层次的特征，然后对这些特征进行操作，既节省算力又提高精度。(SCINet引入了一个新的概念时间分辨率大家可以注意一下)

2.SCINet基本组件

 下图为SCINet网络结构图

SCINet采用编码器-解码器架构。编码器是一个分层卷积网络，通过丰富的卷积滤波器捕捉多分辨率下的动态时间依赖性。其基本构件SCI-Block将输入数据或特征降采样为两个子序列，然后用一组卷积滤波器处理每个子序列，从每部分中提取独特但有价值的时间特征。为了补偿降采样中的信息损失，它允许两个子序列之间的交互学习。SCINet通过将多个SCI-Blocks排列成二叉树结构来构建。这种设计的一个显著优势是每个SCI-Block都对整个时间序列有局部和全局视角，从而有助于提取有用的时间特征。经过所有降采样-卷积-交互操作后，将提取的特征重新排列成新的序列表示，并将其加入原始时间序列中，用全连接网络作为解码器进行预测。

个人总结：SCINet就是将多个SCI-Block用二叉树的结构堆叠起来，然后提取不从层次的特征，然后从新排列起来，然后经过一个全连接层进行预测。

改进方案：这里其实有改进的空间，经过我的训练过程我发现这个模型训练时间还是比较长的，就是因为他堆叠多个层的SCI-Block这里我觉得可以结和一些新的结构进行改造的，类似于不进行二叉树的操作，但是将不同层次的特征融合起来，有兴趣的小伙伴可以研究一下，没准能发个论文毕竟文章的简写就是SCI~~。

三、数据集介绍 

这个模型用了两个数据集进行测试，一个是某个公司的话务员接线量一个是油温效果都不错，下面讲解用油温的数据集来进行讲解和结果分析。

数据集的部分截图如下->其具有八列数据‘OT’其中间的关系为化学关系比较固定，为油温度。

四、参数讲解 

模型的全部参数如下->

    parser.add_argument('--train', type=bool, default=True, help='Whether to conduct training')
    parser.add_argument('--rollingforecast', type=bool, default=True, help='rolling forecast True or False')
    parser.add_argument('--rolling_data_path', type=str, default='ETTh1-Test.csv', help='rolling data file')
    parser.add_argument('--model', type=str, default='Transformer',
                        help='model name, options: [Transformer, Linear, NLinear, DLinear, SCINet, ConvFC, MTSMixer, MTSMatrix, FNet]')

    # data loader
    parser.add_argument('--root_path', type=str, default='./', help='root path of the data file')
    parser.add_argument('--data_path', type=str, default='ETTh1.csv', help='data file')
    parser.add_argument('--features', type=str, default='MS',
                        help='forecasting task, options:[M, S, MS]; M:multivariate predict multivariate, S:univariate predict univariate, MS:multivariate predict univariate')
    parser.add_argument('--target', type=str, default='OT', help='target feature in S or MS task')
    parser.add_argument('--freq', type=str, default='h',
                        help='freq for time features encoding, options:[s:secondly, t:minutely, h:hourly, d:daily, b:business days, w:weekly, m:monthly], you can also use more detailed freq like 15min or 3h')
    parser.add_argument('--checkpoints', type=str, default='./models/', help='location of model models')

    # forecasting task
    parser.add_argument('--seq_len', type=int, default=32, help='input sequence length')
    parser.add_argument('--label_len', type=int, default=8, help='start token length')
    parser.add_argument('--pred_len', type=int, default=4, help='prediction sequence length')

    # model
    parser.add_argument('--rev', action='store_true', default=False, help='whether to apply RevIN')
    parser.add_argument('--enc_in', type=int, default=7, help='encoder input size')
    parser.add_argument('--dec_in', type=int, default=7, help='decoder input size')
    parser.add_argument('--c_out', type=int, default=1, help='output size')
    parser.add_argument('--d_model', type=int, default=512, help='dimension of model')

    parser.add_argument('--dropout', type=float, default=0.05, help='dropout')
    parser.add_argument('--embed', type=str, default='timeF',
                        help='time features encoding, options:[timeF, fixed, learned]')
    parser.add_argument('--activation', type=str, default='gelu', help='activation')

    # optimization
    parser.add_argument('--num_workers', type=int, default=0, help='data loader num workers')
    parser.add_argument('--train_epochs', type=int, default=10, help='train epochs')
    parser.add_argument('--batch_size', type=int, default=16, help='batch size of train input data')
    parser.add_argument('--learning_rate', type=float, default=0.001, help='optimizer learning rate')
    parser.add_argument('--loss', type=str, default='mse', help='loss function')
    parser.add_argument('--lradj', type=str, default='type1', help='adjust learning rate')

    # GPU
    parser.add_argument('--use_gpu', type=bool, default=True, help='use gpu')
    parser.add_argument('--device', type=int, default=0, help='gpu')

模型的详细参数讲解如下-> 

	参数名称	参数类型	参数讲解
0	train	bool	是否进行训练，如果你单纯只想进行预测设置为False即可，
1	rollingforecast	bool	是否进行滚动预测，如果是则设置为True，如果不进行滚动预测则进行正常的预测
2	rolling-data-path	str	如果进行滚动预测则需要添加新的和训练文件相同格式的数据
3	model	str	定义的模型名称
4	root_path	str	这个才是你文件的路径，不要到具体的文件，到目录级别即可。
5	data_path	str	这个填写你文件的具体名称。
6	features	str	这个是特征有三个选项M，MS，S。分别是多元预测多元，多元预测单元，单元预测单元。
7	target	str	这个是你数据集中你想要预测那一列数据，假设我预测的是油温OT列就输入OT即可。
8	freq	str	时间的间隔，你数据集每一条数据之间的时间间隔。
9	checkpoints	str	训练出来的模型保存路径
10	seq_len	int	用过去的多少条数据来预测未来的数据
11	label_len	int	可以理解为更高的权重占比的部分要小于seq_len
12	pred_len	int	预测未来多少个时间点的数据
13	enc_in	int	你数据有多少列,要减去时间那一列，这里我是输入8列数据但是有一列是时间所以就填写7
14	dec_in	int	同上
15	c_out	int	这里有一些不同如果你的features填写的是M那么和上面就一样，如果填写的MS那么这里要输入1因为你的输出只有一列数据。
16	d_model	int	用于设置模型的维度，默认值为512。可以根据需要调整该参数的数值来改变模型的维度
15	n_heads	int	用于设置模型中的注意力头数。默认值为8，表示模型会使用8个注意力头，我建议和的输入数据的总体保持一致，列如我输入的是8列数据不用刨去时间的那一列就输入8即可。
17	e_layers	int	用于设置编码器的层数
18	d_layers	int	用于设置解码器的层数
19	s_layers	str	用于设置堆叠编码器的层数
20	dropout	float	这个应该都理解不说了，丢弃的概率，防止过拟合的。
21	embed	str	时间特征的编码方式，默认为"timeF"
22	activation	str	激活函数
23	num_workers	int	线程windows大家最好设置成0否则会报线程错误,linux系统随便设置。
24	train_epochs	int	训练的次数
25	batch_size	int	一次往模型力输入多少条数据
26	learning_rate	float	学习率。
27	loss	str	损失函数，默认为"mse"
28	lradj	str	学习率的调整方式，默认为"type1"
29	use_gpu	bool	是否使用GPU训练，根据自身来选择
30	gpu	int	GPU的编号

五、项目结构 

项目的构造目录如下->

其中data用于方法训练数据，layers用于存放模型，models用于存放训练的保存结果，results用于存放模型的预测结果为CSV的输出格式文件，util用于存放一些工具。 

​

六、训练和预测

1.训练模型

经过参数的讲解我们已经定义好了所有的参数，可以开始训练了，我的完整main.py文件调好参数的内容如下->

if __name__ == '__main__':
    parser = argparse.ArgumentParser(description='SCINet Multivariate Time Series Forecasting')
    # basic config
    parser.add_argument('--train', type=bool, default=True, help='Whether to conduct training')
    parser.add_argument('--rollingforecast', type=bool, default=True, help='rolling forecast True or False')
    parser.add_argument('--rolling_data_path', type=str, default='ETTh1-Test.csv', help='rolling data file')
    parser.add_argument('--model', type=str, default='SCINet',help='Model name')

    # data loader
    parser.add_argument('--root_path', type=str, default='./data/', help='root path of the data file')
    parser.add_argument('--data_path', type=str, default='ETTh1.csv', help='data file')
    parser.add_argument('--features', type=str, default='MS',
                        help='forecasting task, options:[M, S, MS]; M:multivariate predict multivariate, S:univariate predict univariate, MS:multivariate predict univariate')
    parser.add_argument('--target', type=str, default='OT', help='target feature in S or MS task')
    parser.add_argument('--freq', type=str, default='h',
                        help='freq for time features encoding, options:[s:secondly, t:minutely, h:hourly, d:daily, b:business days, w:weekly, m:monthly], you can also use more detailed freq like 15min or 3h')
    parser.add_argument('--checkpoints', type=str, default='./models/', help='location of model models')

    # forecasting task
    parser.add_argument('--seq_len', type=int, default=32, help='input sequence length')
    parser.add_argument('--label_len', type=int, default=8, help='start token length')
    parser.add_argument('--pred_len', type=int, default=4, help='prediction sequence length')

    # model
    parser.add_argument('--rev', action='store_true', default=False, help='whether to apply RevIN')
    parser.add_argument('--enc_in', type=int, default=7, help='encoder input size')
    parser.add_argument('--dec_in', type=int, default=7, help='decoder input size')
    parser.add_argument('--c_out', type=int, default=1, help='output size')
    parser.add_argument('--d_model', type=int, default=512, help='dimension of model')

    parser.add_argument('--dropout', type=float, default=0.05, help='dropout')
    parser.add_argument('--embed', type=str, default='timeF',
                        help='time features encoding, options:[timeF, fixed, learned]')
    parser.add_argument('--activation', type=str, default='gelu', help='activation')

    # optimization
    parser.add_argument('--num_workers', type=int, default=0, help='data loader num workers')
    parser.add_argument('--train_epochs', type=int, default=10, help='train epochs')
    parser.add_argument('--batch_size', type=int, default=16, help='batch size of train input data')
    parser.add_argument('--learning_rate', type=float, default=0.001, help='optimizer learning rate')
    parser.add_argument('--loss', type=str, default='mse', help='loss function')
    parser.add_argument('--lradj', type=str, default='type1', help='adjust learning rate')

    # GPU
    parser.add_argument('--use_gpu', type=bool, default=True, help='use gpu')
    parser.add_argument('--device', type=int, default=0, help='gpu')
    args = parser.parse_args()
    Exp = SCINetinitialization
    # setting record of experiments
    setting = 'predict-{}-data-{}'.format(args.model, args.data_path[:-4])

    SCI = SCINetinitialization(args)  # 实例化模型
    if args.train:
        print('>>>>>>>start training : {}>>>>>>>>>>>>>>>>>>>>>>>>>>'.format(args.model))
        SCI.train(setting)
    print('>>>>>>>predicting : {}<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<'.format(args.model))
    SCI.predict(setting, True)

我们进行执行控制台开始输出训练结果->

 训练完成后，模型保存到该目录下->

​

2.开始预测 

训练完成之后，开始进行预测，控制台会进行结果的输出，最后会生成结果文件。

​

结果文件输出在如下目录->

​

3.1结果展示 

下面的图片是预测值和真实值的对比图，大家可以看出预测结果还是非常不错的。 

下面的图片为MAE的损失图->

3.2结果分析 

可以看出虽然预测结果还可以接受，但是其中存在明显的数据滞后性，这个问题其实是时间序列预测的通病，目前想要解决两种方法：

• 一种方法是通过损失精度然后进行数据的预处理操作
• 另一种就是结合其它能够处理数据滞后性的模型进行模型融合的操作。

后期我也会进行模型融合尝试如果大家需要可以在评论区留言想要看和其它什么模型结合。

七、训练你个人数据集 

这个模型我在写的过程中为了节省大家训练自己数据集，我基本上把大部分的参数都写好了，需要大家注意的就是如果要进行滚动预测下面的参数要设置为True。

    parser.add_argument('--rollingforecast', type=bool, default=True, help='rolling forecast True or False')

如果上面的参数设置为True那么下面就要提供一个进行滚动预测的数据集，该数据集的格式要和你训练模型的数据集格式完全一致(重要！！！)，如果没有可以考虑在自己数据的尾部剪切一部分，不要粘贴否则数据模型已经训练过了的话预测就没有效果了。 

    parser.add_argument('--rolling_data_path', type=str, default='ETTh1-Test.csv', help='rolling data file')

其它的没什么可以讲的了大部分的修改操作在参数讲解的部分我都详细讲过了，这里的滚动预测可能是大家想看的所以摘出来详细讲讲。 

总结  

到此本文已经全部讲解完成了，希望能够帮助到大家，如果你用我的代码可能会存在一些Bug但是肯定不影响运行，如果大家有发现任何的bug可以和我私信沟通，或者评论区留言我可以，大家可以进行探讨。在这里也给大家推荐一些我其它的博客的时间序列实战案例讲解，其中有数据分析的讲解就是我前面提到的如何设置参数的分析博客，最后希望大家订阅我的专栏，本专栏均分文章均分98，并且免费阅读。

时间序列预测：深度学习、机器学习、融合模型、创新模型实战案例（附代码+数据集+原理介绍）

时间序列预测模型实战案例(十)(个人创新模型)通过堆叠CNN、GRU、LSTM实现多元预测和单元预测

时间序列预测中的数据分析-＞周期性、相关性、滞后性、趋势性、离群值等特性的分析方法

时间序列预测模型实战案例(八)(Informer)个人数据集、详细参数、代码实战讲解

时间序列预测模型实战案例(七)(TPA-LSTM)结合TPA注意力机制的LSTM实现多元预测

时间序列预测模型实战案例(六)深入理解机器学习ARIMA包括差分和相关性分析

时间序列预测模型实战案例(五)基于双向LSTM横向搭配单向LSTM进行回归问题解决

时间序列预测模型实战案例(四)(Xgboost)(Python)(机器学习)图解机制原理实现时间序列预测和分类(附一键运行代码资源下载和代码讲解)

时间序列预测模型实战案例(三)(LSTM)(Python)(深度学习)时间序列预测(包括运行代码以及代码讲解)

【全网首发】(MTS-Mixers)(Python)(Pytorch)最新由华为发布的时间序列预测模型实战案例(一)(包括代码讲解)实现企业级预测精度包括官方代码BUG修复Transform模型

时间序列预测模型实战案例(二)(Holt-Winter)(Python)结合K-折交叉验证进行时间序列预测实现企业级预测精度(包括运行代码以及代码讲解)

最后希望大家工作顺利学业有成！

​​