Level 5 _eval_batch 四段总览

Abstract

入口：

ForecastingStrategy.execute(...)
-> RollingForecast._execute(...)
-> RollingForecast._eval_batch(...)

这一层解释：

_eval_batch(...) 内部先按顺序怎么推进，再按逻辑分块怎样嵌套。

1. 上一层与当前层位置

上一层是：

• 24-Level4-rolling任务主体

当前层是：

• Level 5：第一次同时使用“顺序图 + 抽象索引树 + 逻辑分块”。

当前层对应上一层中的具体位置是：

• 4B-3 进入 _eval_batch(...)

1.5 这一层的关系类型说明

这一层的 5A / 5B / 5C / 5D 表示的是：

• 同一个函数 _eval_batch(...) 的内部职责分块
• 不是四个独立对象
• 也不是外层壳和内层任务体的关系

所以这一层要这样读：

1. 顺序图：
   • _eval_batch(...) 执行时先后发生什么
2. 抽象索引树：
   • 为了理解这个函数，人脑把它拆成哪四块

这棵树是函数内部逻辑树，不是对象包含树。

2. 当前层第一性

_eval_batch(...) 的第一性是：

在一条序列上，按 rolling forecast 协议，完成“切数据 -> 训练 -> 批量预测 -> 打分收尾”。

这已经不是一个单一动作，而是一个完整业务主体，所以必须同时从两个维度看：

1. 顺序
   • 代码实际怎么往下执行
2. 逻辑分块
   • _eval_batch(...) 内部有哪些职责块

3. 当前命令的最小例子

这一层以下文这组参数为具体例子：

• series.shape = (17420, 7)
• tv_ratio = 0.8
• train_ratio_in_tv = 0.75
• horizon = 24
• stride = 24
• num_rollings = 48
• target_channel = null 或默认目标列集合

由此得到：

• train_length = int(17420 * 0.8) = 13936
• test_length = 17420 - 13936 = 3484
• train_valid_data.shape = (13936, 7)
• test_data.shape = (3484, 7)

4. 先看顺序图

这张图回答的是：

代码执行时，大致先后顺序是什么。

5. 再看抽象索引树

Note

这里的 5A / 5B / 5C / 5D 也是 _eval_batch(...) 函数内部的并列逻辑分块。

它们表示的是：

• 同一个函数内部
• 可以按职责拆开的四段

它们不是：

• 四个彼此独立的外层对象
• 四个并列顶层模块

所以这一层的树，更像“函数内部逻辑分块树”，不是“外层对象关系树”。

这棵树回答的是：

为了理解 _eval_batch(...)，人脑应该把它分成哪四块。

6. 四个逻辑分块的抽象意义

6.1 5A 配置与切数

抽象意义：

把“整条序列 + strategy 配置”转换成“后续训练和预测都能直接使用的数据块”。

6.2 5B 训练子块

抽象意义：

在 rolling 预测之前，先对模型完成一次 fit。

6.3 5C 预测子块

抽象意义：

用 rolling window 的方式，把测试区间变成若干预测请求，再批量送进模型。

6.4 5D 打分与收尾子块

抽象意义：

把模型预测结果和真实目标对齐，计算指标，并组装成统一结果格式。

7. 职责树

7.1 5A 配置与切数

负责生成：

• train_valid_data
• test_data
• target_train_valid_data
• target4batch
• covariates_train
• covariates4batch

7.2 5B 训练子块

负责生成：

• 训练好的模型内部状态
• eval_scaler
• fit_time

7.3 5C 预测子块

负责生成：

• index_list
• batch_maker
• all_predicts
• total_inference_time

7.4 5D 打分与收尾子块

负责生成：

• targets
• all_test_results
• single_series_results

8. 输入输出接口

8.1 本层入口接口

_eval_batch(series, meta_info, model, series_name)

输入：

• series: pd.DataFrame
• meta_info
• model
• series_name

8.2 关键配置变量

• target_channel
• stride
• horizon
• num_rollings
• train_ratio_in_tv
• tv_ratio

8.3 本层输出

• single_series_results: List

9. 函数 / 文件关系图

10. 当前例子的具体落地

10.1 配置与切数

• series.shape = (17420, 7)
• train_valid_data.shape = (13936, 7)
• test_data.shape = (3484, 7)

10.2 训练

• fit_method = model.forecast_fit
• 在 target_train_valid_data 上 fit 一次

10.3 预测

• index_list = _get_index(13936, 3484, 24, 24)
• 再截断为前 48 个 rolling 位置

10.4 打分

• 每个 rolling 窗口拿到一个 predicts
• 与同位置 target 做指标计算
• 最终对所有 rolling 窗口指标取平均

11. 下一层怎么分

如果继续 BFS 往下走，最自然的顺序是：

1. 先细分 5B 训练子块
2. 再细分 5C 预测子块
3. 最后细分 5D 打分与收尾子块

也就是先进入：

fit_method(...)

再进入：

forecast_fit(...)

这一层已经继续细分成三篇下层文档：

• 5B 训练子块
  • 26-Level6-5B-训练子块-fit_method与forecast_fit
• 5C 预测子块
  • 27-Level6-5C-预测子块
• 5D 打分与收尾子块
  • 28-Level6-5D-打分与收尾子块

12. 只留一句

Level 5 要同时掌握两件事：_eval_batch(...) 的执行顺序，以及它内部的四个逻辑分块。