bigdata0

inverse=True会导致预测出的数据反转回原始数据的数据分布，训练之前已经把数据进行了Z-score标准化，正常情况下统一计算指标的时候也是使用标准化后的数据进行计算的，所以反转后会和论文中有很大偏差，你可以修改一下代码，让绘图的时候inverse=True，计算的时候使用反转之前的标准化数据计算这些衡量指标。至于rmse稳定在30左右的情况，也许因为预测步长太小，可以观察一下数据，预测步长是12的情况下，趋势性的变化不大，周期比较长，整体是比较平稳的，可能训练之后模型拟合结果也不会有太大变化，尝试多看一些数据集的情况呢？我觉得可能没什么问题，不要单看预测12的情况，可能只能达到这个rmse程度的结果，也可以尝试一下time-series library的其他模型去加载PEMS数据集去尝试预测一下，data_loader可能需要改一下，那个项目里面之前看好像没有PEMS数据集的加载方式，你把作者的这个data_loader去copy到那边试试看那边的模型。

肯定是z-score标准化了呗

PatchTST回顾窗口很大原文是这么说的：PatchTST/64 implies the number of input patches is 64, which uses the look-back window L = 512. PatchTST/42 means the number of input patches is 42, which has the default...

是的，  我在论文的模型基础上改进，发现大部分的数据集步长都是可以超越的，部分和源码中采用相同的不使用norm方法训练也超越了论文中的结果，唯独08数据集的48和96步长效果比较差，复现之后发现实际也跑不出相同的结果，所以想问一下作者。 @FrankHo-Hwc

@JerayuT 1. Check if your itransformer.py is from the Time series Library or this repository. In the version integrated into the Time series Library, use_norm is used by default and...

@JerayuT Okay, you can refer to my configuration parameters. python -u run.py --is_training 1 --root_path ./dataset/PEMS/ --data_path PEMS03.npz --model_id PEMS03_96_96 --model iTransformer --data PEMS --features M --seq_len 96 --pred_len 96...

In fact, label_len does not work in the implementation of itransformer. Its existence is only for merging with the time-series library project.

改参数了改结构了或者实验环境不一样，相同配置的卡相同的参数一般也会有细微的差距

作者好像在TSLib项目里提供了训练脚本，去试试看