1 介绍
本文使用数据集，对三个模型进行了对比，代码使用python完成，通过对比，发现lstm>gru>informer.
2 数据读取
使用降水量数据集，第一列表示降水，第二列表示出水量。
class MyDatasetLstm(Dataset):def __init__(self, df, seq_len=96, pred_len=24):self.seq_len = seq_lenself.pred_len = pred_lenself.__read_data__(df=df)def __read_data__(self, df):self.data_x = dfself.data_y = df[:,-1]def __getitem__(self, index):s_begin = indexs_end = s_begin + self.seq_lenr_begin = s_endr_end = r_begin + self.pred_lenseq_x = self.data_x[s_begin:s_end]seq_y = self.data_y[r_begin:r_end]return seq_x, seq_ydef __len__(self):return len(self.data_x) - self.seq_len - self.pred_len + 1
但是informer的数据读取不一样，因为加入了label维度，所以代码如下所示：
class MyDatasetInformer(Dataset):def __init__(self, df, seq_len=96, label_len=48, pred_len=24):self.seq_len = seq_lenself.label_len = label_lenself.pred_len = pred_lenself.__read_data__(df=df)def __read_data__(self, df):self.data_x = dfself.data_y = dfdef __getitem__(self, index):s_begin = indexs_end = s_begin + self.seq_lenr_begin = s_end - self.label_lenr_end = r_begin + self.label_len + self.pred_lenseq_x = self.data_x[s_begin:s_end]seq_y = self.data_y[r_begin:r_end]return seq_x, seq_ydef __len__(self):return len(self.data_x) - self.seq_len - self.pred_len + 1
3 搭建模型
这一块主要参考了github上的代码，做了些修改，因为原来的informer有timebedding这个维度，但是我们的数据没有这个维度，所以把这个去掉就行，剩下的就是encoder和decoder，然后再拼接。
lstm和gru就用很简单的搭建方式就行，torch自带的，很容易。
4 训练和预测
训练和预测时，informer就是因为多了个label，所以读取方式有点不一样，代码如下所示，并且再测试时，要取label之后的，才是真正的预测值。
if model_name == "informer":# Informer训练方式batch_x = batch_x.float().to(device)batch_y = batch_y.float()dec_inp = torch.zeros([batch_y.shape[0], pred_len, batch_y.shape[-1]]).float()dec_inp = torch.cat([batch_y[:, :label_len, :], dec_inp], dim=1).float().to(device)pred = model(batch_x, dec_inp)pred = pred[:, -pred_len:, :].to(device)true = batch_y[:, -pred_len:, :].to(device)loss = criterion(pred, true)else:# lstm \ gru 训练方式batch_x = batch_x.float().to(device)batch_y = batch_y.float().to(device)pred = model(batch_x)loss = criterion(pred, batch_y)# 如有需要，添加qq 964083210
5 结果对比
还有mse、rmse、r2等指标，还有多种预测方式。
