Level 7 batch_forecast 主链

Abstract

入口：

predicts = model.batch_forecast(horizon, predict_batch_maker)

这一层解释：

预测子块怎样进入 batch_forecast(...)，并把 batch maker 提供的 rolling 请求转成真正的模型预测输入。

1. 上一层与当前层位置

上一层是：

• 27-Level6-5C-预测子块

当前层是：

• Level 7：只细分 model.batch_forecast(...) 这一层。

当前层对应上一层中的具体位置是：

• 27-Level6-5C-预测子块 里的：
  • 6C-3 调模型预测

1.5 这一层的关系类型说明

这一层是在继续下钻：

• Level 6 里的 5C 预测子块
• 其中真正进入模型侧的入口 model.batch_forecast(...)

所以这里的 7P-1 ... 7P-5：

• 是 batch_forecast(...) 函数内部的并列逻辑块
• 不是新的外层主线节点

2. 当前层第一性

batch_forecast(...) 的第一性是：

从 batch maker 取出一批 rolling 预测请求，完成设备准备、归一化、时间标记补齐，然后把这些请求送入真正的 rolling 前向函数 _perform_rolling_predictions(...)。

这一层不直接算 metric，也不组织 rolling 起点。
它负责的是：

1. 从 batch maker 拿一批输入
2. 处理 exog 和 norm
3. 构造 all_mark
4. 调 _perform_rolling_predictions(...)
5. 把预测结果反归一化并裁回目标维度

3. 当前命令的最小例子

当前例子里的关键参数：

• horizon = 24
• batch_size = 4
• seq_len = 96
• label_len = 48
• enc_in = 7
• predict_batch_maker 每次会给出一批 rolling 输入

这一层拿到的 input_data 语义是：

• input_data["input"]
• input_data["time_stamps"]
• input_data["covariates"]

4. 先看顺序图

5. 抽象索引树

6. 职责树

6.1 7P-1 批量输入准备

职责：

• 从 batch_maker 拿一个预测 batch

输出：

• input_data
• input_np

6.2 7P-2 数据预处理

职责：

• 拼接外生变量 exog
• 对输入做归一化

输出：

• 处理后的 input_np

6.3 7P-3 时间标记准备

职责：

• 根据时间戳补齐未来时间标记

输出：

• all_mark

6.4 7P-4 调内部 rolling 预测

职责：

• 调 _perform_rolling_predictions(...)

输出：

• answers

6.5 7P-5 结果还原

职责：

• 对预测结果反归一化
• 只保留目标维度

输出：

• 最终 answers[..., :series_dim]

7. 输入输出接口

7.1 本层入口接口

batch_forecast(horizon: int, batch_maker: BatchMaker, **kwargs) -> np.ndarray

7.2 本层关键输入

• horizon
• batch_maker
• self.config
• self.scaler

7.3 本层关键中间变量

• input_data
• input_np
• series_dim
• all_mark
• answers

7.4 本层输出

• answers: np.ndarray
  • 语义：这一批 rolling 请求的预测结果

8. 函数 / 文件关系图

9. 关键代码对应关系

9.1 从 batch maker 取输入

input_data = batch_maker.make_batch(self.config.batch_size, self.config.seq_len)
input_np = input_data["input"]

语义：

从预测子块准备好的 batch maker 中，取出当前这一批 rolling 输入窗口。

9.2 处理 exog

exog_data = covariates.get("exog")
if exog_data is not None:
    input_np = np.concatenate((input_np, exog_data), axis=2)

语义：

如果这批预测请求带外生变量，把它拼到特征维上。

9.3 构造时间标记

input_index = input_data["time_stamps"]
padding_len = (math.ceil(horizon / self.config.horizon) + 1) * self.config.horizon
all_mark = self._padding_time_stamp_mark(input_index, padding_len)

语义：

根据已有窗口时间戳，再补出未来若干步时间标记，供后续 rolling 预测使用。

9.4 调内部 rolling 预测

answers = self._perform_rolling_predictions(horizon, input_np, all_mark, device)

语义：

这一步才真正开始在模型内部按滚动方式生成未来预测。

10. 当前例子的具体落地

10.1 当前批输入

由于：

• batch_size = 4
• seq_len = 96

所以当前一批 input_np 的典型 shape 语义是：

• (4, 96, 7) 或拼 exog 后更宽

10.2 时间标记

input_data["time_stamps"] 提供的是每个 rolling 输入窗口的时间索引，后续被补成：

• all_mark

它会覆盖：

• encoder 历史窗口
• decoder 历史尾部
• 未来 horizon 的时间标记

10.3 最终返回

这一层返回的是：

• 当前这批 rolling 请求对应的预测数组

11. 当前层最重要的认知

这一层最重要的认知是：

batch_forecast(...) 不是直接做一次前向，而是先把 batch maker 提供的预测请求变成模型能连续滚动使用的输入格式，再交给 _perform_rolling_predictions(...)。

12. 下一层入口

如果继续 DFS，下一层最自然的入口是：

_perform_rolling_predictions(horizon, input_np, all_mark, device)

对应：

• 32-Level8-_perform_rolling_predictions

也就是说，当前层里的：

• 7P-4 调内部 rolling 预测

已经有下一层详细文档。

13. 只留一句

Level 7 的预测线主链只看 batch_forecast(...) 怎样把 batch 请求推进到 _perform_rolling_predictions(...)。