iTransformer 模型只是采用了 Transformer 架构，但它将注意力和前馈网络应用于倒置维度。这意味着每个单独序列的时间点被嵌入到 token 中。通过这种方式，注意力机制学习多元相关性，而前馈网络学习非线性关系。

参考文献 - Yong Liu, Tengge Hu, Haoran Zhang, Haixu Wu, Shiyu Wang, Lintao Ma, Mingsheng Long. “iTransformer: Inverted Transformers Are Effective for Time Series Forecasting”

​
1. 模型

源

​
iTransformer

 iTransformer (h, input_size, n_series, futr_exog_list=None,
               hist_exog_list=None, stat_exog_list=None,
               exclude_insample_y=False, hidden_size:int=512,
               n_heads:int=8, e_layers:int=2, d_layers:int=1,
               d_ff:int=2048, factor:int=1, dropout:float=0.1,
               use_norm:bool=True, loss=MAE(), valid_loss=None,
               max_steps:int=1000, learning_rate:float=0.001,
               num_lr_decays:int=-1, early_stop_patience_steps:int=-1,
               val_check_steps:int=100, batch_size:int=32,
               valid_batch_size:Optional[int]=None, windows_batch_size=32,
               inference_windows_batch_size=32,
               start_padding_enabled=False, step_size:int=1,
               scaler_type:str='identity', random_seed:int=1,
               drop_last_loader:bool=False, alias:Optional[str]=None,
               optimizer=None, optimizer_kwargs=None, lr_scheduler=None,
               lr_scheduler_kwargs=None, dataloader_kwargs=None,
               **trainer_kwargs)

*iTransformer

参数
h: int, 预测范围。
input_size: int, 自回归输入大小, y=[1,2,3,4] input_size=2 -> y_[t-2:t]=[1,2]。
n_series: int, 时间序列数量。
futr_exog_list: str list, 未来外部变量列。
hist_exog_list: str list, 历史外部变量列。
stat_exog_list: str list, 静态外部变量列。
exclude_insample_y: bool=False, 如果为 True，模型会跳过自回归特征 y[t-input_size:t]。

hidden_size: int, 模型维度。
n_heads: int, 注意力头数。
e_layers: int, 编码器层数。
d_layers: int, 解码器层数。
d_ff: int, 全连接层维度。
factor: int, 注意力因子。
dropout: float, Dropout 比率。
use_norm: bool, 是否归一化。
loss: PyTorch 模块, 从 损失函数集合 实例化训练损失类。
valid_loss: PyTorch 模块=loss, 从 损失函数集合 实例化验证损失类。
max_steps: int=1000, 最大训练步数。
learning_rate: float=1e-3, 学习率，范围 (0, 1)。
num_lr_decays: int=-1, 学习率衰减次数，在最大步数内均匀分布。
early_stop_patience_steps: int=-1, 早停前验证迭代次数。
val_check_steps: int=100, 每隔多少训练步检查一次验证损失。
batch_size: int=32, 每个批次中不同时间序列的数量。
valid_batch_size: int=None, 每个验证和测试批次中不同时间序列的数量，如果为 None，则使用 batch_size。
windows_batch_size: int=32, 每个训练批次中采样的窗口数量，默认为全部。
inference_windows_batch_size: int=32, 每个推理批次中采样的窗口数量，-1 表示全部。
start_padding_enabled: bool=False, 如果为 True，模型将按输入大小在时间序列开头填充零。
step_size: int=1, 每个时间窗口之间的步长。
scaler_type: str=‘identity’, 时间输入归一化的缩放器类型，参见 时间缩放器。
random_seed: int=1, PyTorch 初始化器和 NumPy 生成器的随机种子。
drop_last_loader: bool=False, 如果为 True，TimeSeriesDataLoader 会丢弃最后一个非完整批次。
alias: str, 可选，模型的自定义名称。
optimizer: ‘torch.optim.Optimizer’ 的子类, 可选，用户指定的优化器，而不是默认选择 (Adam)。
optimizer_kwargs: dict, 可选，用户指定的 optimizer 使用的参数列表。
lr_scheduler: ‘torch.optim.lr_scheduler.LRScheduler’ 的子类, 可选，用户指定的 lr_scheduler，而不是默认选择 (StepLR)。
lr_scheduler_kwargs: dict, 可选，用户指定的 lr_scheduler 使用的参数列表。
dataloader_kwargs: dict, 可选，由 TimeSeriesDataLoader 传递给 PyTorch Lightning 数据加载器的参数列表。
**trainer_kwargs: int, 继承自 PyTorch Lightning trainer 的关键字 trainer 参数。

参考文献
- Yong Liu, Tengge Hu, Haoran Zhang, Haixu Wu, Shiyu Wang, Lintao Ma, Mingsheng Long. “iTransformer: Inverted Transformers Are Effective for Time Series Forecasting”*

​
iTransformer.fit

 iTransformer.fit (dataset, val_size=0, test_size=0, random_seed=None,
                   distributed_config=None)

*拟合。

fit 方法使用初始化参数（learning_rate、windows_batch_size 等）和初始化期间定义的 loss 函数来优化神经网络的权重。在 fit 中，我们使用继承了初始化参数 self.trainer_kwargs 的 PyTorch Lightning Trainer 来定制其输入，参见 PL 的 trainer 参数。

该方法设计用于兼容类似 SKLearn 的类，特别是兼容 StatsForecast 库。

默认情况下，model 不保存训练检查点以保护磁盘内存，如需保存，请在 __init__ 中将 enable_checkpointing 更改为 True。

参数
dataset: NeuralForecast 的 TimeSeriesDataset，参见文档。
val_size: int, 时间交叉验证的验证集大小。
random_seed: int=None, PyTorch 初始化器和 NumPy 生成器的随机种子，会覆盖 model.__init__ 中的设置。
test_size: int, 时间交叉验证的测试集大小。
*

​
iTransformer.predict

 iTransformer.predict (dataset, test_size=None, step_size=1,
                       random_seed=None, quantiles=None,
                       **data_module_kwargs)

*预测。

使用 PL 的 Trainer 执行 predict_step 进行神经网络预测。

参数
dataset: NeuralForecast 的 TimeSeriesDataset，参见文档。
test_size: int=None, 时间交叉验证的测试集大小。
step_size: int=1, 每个窗口之间的步长。
random_seed: int=None, PyTorch 初始化器和 NumPy 生成器的随机种子，会覆盖 model.__init__ 中的设置。
quantiles: list of floats, 可选 (默认=None), 要预测的目标分位数。
**data_module_kwargs: PL 的 TimeSeriesDataModule 参数，参见 文档。*

​
2. 使用示例

import pandas as pd
import matplotlib.pyplot as plt

from neuralforecast import NeuralForecast
from neuralforecast.models import iTransformer
from neuralforecast.utils import AirPassengersPanel, AirPassengersStatic
from neuralforecast.losses.pytorch import MSE

Y_train_df = AirPassengersPanel[AirPassengersPanel.ds<AirPassengersPanel['ds'].values[-12]].reset_index(drop=True) # 132 train
Y_test_df = AirPassengersPanel[AirPassengersPanel.ds>=AirPassengersPanel['ds'].values[-12]].reset_index(drop=True) # 12 test

model = iTransformer(h=12,
                     input_size=24,
                     n_series=2,
                     hidden_size=128,
                     n_heads=2,
                     e_layers=2,
                     d_layers=1,
                     d_ff=4,
                     factor=1,
                     dropout=0.1,
                     use_norm=True,
                     loss=MSE(),
                     valid_loss=MAE(),
                     early_stop_patience_steps=3,
                     batch_size=32,
                     max_steps=100)

fcst = NeuralForecast(models=[model], freq='ME')
fcst.fit(df=Y_train_df, static_df=AirPassengersStatic, val_size=12)
forecasts = fcst.predict(futr_df=Y_test_df)

# Plot predictions
fig, ax = plt.subplots(1, 1, figsize = (20, 7))
Y_hat_df = forecasts.reset_index(drop=False).drop(columns=['unique_id','ds'])
plot_df = pd.concat([Y_test_df, Y_hat_df], axis=1)
plot_df = pd.concat([Y_train_df, plot_df])

plot_df = plot_df[plot_df.unique_id=='Airline1'].drop('unique_id', axis=1)
plt.plot(plot_df['ds'], plot_df['y'], c='black', label='True')
plt.plot(plot_df['ds'], plot_df['iTransformer'], c='blue', label='Forecast')
ax.set_title('AirPassengers Forecast', fontsize=22)
ax.set_ylabel('Monthly Passengers', fontsize=20)
ax.set_xlabel('Year', fontsize=20)
ax.legend(prop={'size': 15})
ax.grid()