Datawhale_PyPOTS_task6

基于自定义时间序列数据集的下游任务分析方法

方法一：基于插补数据的LSTM分类

• 数据加载器：定义了LoadImputedDataAndLabel类，用于将插补后的数据和标签转换为PyTorch的Dataset对象，便于后续使用DataLoader进行批量加载。

• 模型定义：ClassificationLSTM类定义了一个基于LSTM的分类模型，包含一个LSTM层和一个全连接层（fcn），用于将LSTM的输出映射到类别概率。

• 训练过程：

  • 设置了训练轮数（n_epochs=20）和早停机制（patience=5）——防止过拟合。

  • 使用Adam优化器，学习率为1e-3。

    optimizer = torch.optim.Adam(model.parameters(), 1e-3)

  • 在每个epoch中，模型在训练集上进行训练，并在验证集上评估损失。如果验证损失在连续patience个epoch中没有减少，则提前停止训练。

  • 最后，模型加载验证损失最低时的权重，并在测试集上进行评估。

方法二：PyPOTS中的TimesNet模型进行端到端学习的分类

• 模型初始化：

  • 创建了TimesNet模型，参数包括时间步长（n_steps）、特征数量（n_features）、类别数量（n_classes）等。

  • 设置了模型的训练参数，如层数（n_layers=2）、隐藏单元数量（d_model=64）、前馈网络维度（d_ffn=128）等。

  • 使用Adam优化器，学习率为1e-3。

  • 设置了早停机制（patience=5）和训练轮数（epochs=20）。

  • 模型保存，并设置只保存最佳模型。

• 训练过程：

  • 使用训练集和验证集进行训练。

  • 每个epoch记录训练损失和验证损失，并根据验证损失进行早停。

  • 最终保存最佳模型。

LSTM方法：

插补数据来补充数据集；但插补过程可能会引入误差

TimeNet方法：

直接带缺失值的原始数据来处理；

方法一类似于task2和task3的过程；

方法二则类似有task4的过程。

端到端学习：

BRITS模型

TimeNet模型

（）