Informer 在完整 benchmark 中的全链坐标总图

Abstract

这篇是 [[33-DLinear在完整benchmark中的全链坐标总图]] 的模型分支对照版。

它只回答一个问题：

把模型从 DLinear 换成 Informer 后，完整 benchmark 主线哪些不变，哪些开始变化。

1. 这篇在整个文档树里的位置

这篇是收束文档，不是新的 BFS 层级。

它建立在这些文档之上：

• [[10-run_benchmark与pipeline-总图]]
• [[23-Level3-执行评测总顺序]]
• [[24-Level4-rolling任务主体]]
• [[25-Level5-_eval_batch四段总览]]
• [[26-Level6-5B-训练子块-fit_method与forecast_fit]]
• [[27-Level6-5C-预测子块]]
• [[29-Level7-forecast_fit训练循环]]
• [[30-Level8-_process到DLinear.forward]]
• [[31-Level7-batch_forecast主链]]
• [[32-Level8-_perform_rolling_predictions]]
• [[33-DLinear在完整benchmark中的全链坐标总图]]

2. 第一性

从第一性讲，这条链只是在回答：

一条命令怎样最终让 Informer 在 ETTh1.csv 上完成训练、rolling 预测、打分和日志落盘。

和 DLinear 相比，外层 benchmark 主线不变，真正变化的是：

1. Level 8 的 _process(...) 之后进入的底层模型不再是 DLinear.forward(...)
2. Informer.forward(...) 内部会显式走：
   • DataEmbedding
   • Encoder
   • Decoder
   • ProbAttention

3. 一张总图

这张图和 33 最大的差别只有一处：

• DLinear 版：Level 8 进入 DLinear.forward(...)
• Informer 版：Level 8 进入 Informer.forward(...)

4. 抽象索引树

这棵树的意义是：

外层坐标和 DLinear 完全一致，但模型内部索引从“分解 + Linear”切换成了“Embedding + Encoder + Decoder”。

5. 框架不变的部分

从 run_benchmark 到 TransformerAdapter._process(...)，你已经学过的主线全部不变：

1. run_benchmark.py
2. pipeline(...)
3. eval_model(...)
4. schedule(strategy.execute, ...)
5. ForecastingStrategy.execute(...)
6. RollingForecast._execute(...)
7. RollingForecast._eval_batch(...)
8. fit_method(...)
9. forecast_fit(...) / batch_forecast(...)
10. 训练循环 / rolling 预测循环
11. TransformerAdapter._process(...)

所以 Informer 学习的真正边界是：

你不需要重新学外层 benchmark；你只需要从 _process(...) 之后重新建立模型坐标。

6. Level 8 接口在 Informer 上是什么样

TransformerAdapter._process(...) 不会因为模型换成 Informer 而改变接口形式：

• input
• target
• input_mark
• target_mark

它仍然会构造：

• dec_input = target[:label_len] + zeros[horizon]

然后调用：

self.model(input, input_mark, dec_input, target_mark)

当前模型是 Informer 时，这句就变成：

Informer.forward(
    x_enc=input,
    x_mark_enc=input_mark,
    x_dec=dec_input,
    x_mark_dec=target_mark,
)

所以接口映射仍然是：

• input -> x_enc
• input_mark -> x_mark_enc
• dec_input -> x_dec
• target_mark -> x_mark_dec

7. Informer 内部主链

在当前 forecasting 场景下，Informer.forward(...) 会走：

这里的关键区别是：

1. 输入先做 embedding
2. encoder 处理历史窗口
3. decoder 用 dec_input 和 enc_out 做生成
4. 最后只取最后 pred_len 段作为预测结果

8. 当前例子的具体 shape

如果仍然沿用当前最小例子的调试参数：

• seq_len = 96
• label_len = 48
• pred_len = 24
• batch_size = 4
• enc_in = dec_in = c_out = 7
• freq = h
• embed = timeF

那么进入 Informer 前的输入 shape 仍然是：

• x_enc.shape = (4, 96, 7)
• x_mark_enc.shape = (4, 96, 4)
• x_dec.shape = (4, 72, 7)
• x_mark_dec.shape = (4, 72, 4)

经过 DataEmbedding 后：

• enc_out.shape = (4, 96, d_model)
• dec_out.shape = (4, 72, d_model)

经过 encoder / decoder 后：

• decoder output.shape = (4, 72, 7)

最后 forward(...) 返回：

• output.shape = (4, 24, 7)

所以从外层训练循环视角看：

Informer 和 DLinear 都会回到同样的监督接口：输出 (B, pred_len, C)。

9. Informer 相对 DLinear 真正新增的语义

9.1 DLinear

模型语义更接近：

• 输入历史数值
• 做序列分解
• 用线性层把 seq_len 映射到 pred_len

9.2 Informer

模型语义更接近：

• 历史数值 + 时间特征先做 embedding
• encoder 抽历史表示
• decoder 用历史尾部 + 零占位生成未来
• attention 机制负责跨时间步建模

所以真正新增的学习对象是：

1. DataEmbedding
2. Encoder / EncoderLayer
3. Decoder / DecoderLayer
4. AttentionLayer
5. ProbAttention

10. 和 DLinear 的对照表

维度	DLinear	Informer
外层 benchmark	相同	相同
adapter	相同	相同
_process(...) 接口	相同	相同
模型输入四元组	相同	相同
内部主计算	分解 + Linear	Embedding + Encoder + Decoder
时间特征 x_mark_*	基本不依赖	显式参与 embedding
输出形状	(B, pred_len, C)	(B, pred_len, C)

这张表的作用是：

让你知道换模型时，哪些部分值得重新学，哪些部分根本不用重学。

11. 当前最值得继续细分的节点

如果下一步继续 BFS/DFS，最值得展开的是这三个节点：

1. Informer.forward(...)
2. DataEmbedding
3. Encoder / Decoder

而且顺序应该是：

1. 先看 Informer.forward(...) 总链
2. 再看 DataEmbedding
3. 再看 Encoder
4. 最后再看 Decoder

12. 最后压成 6 句话

1. Informer 在完整 benchmark 里的外层坐标，和 DLinear 完全一致。
2. 变化发生在 TransformerAdapter._process(...) 之后。
3. Informer 仍然接收同样的四输入接口：x_enc / x_mark_enc / x_dec / x_mark_dec。
4. Informer 的内部主链是：DataEmbedding -> Encoder -> Decoder -> 取最后 pred_len。
5. 对外层训练循环来说，Informer 和 DLinear 最终都返回 (B, pred_len, C)。
6. 所以 Informer 学习的核心，不是重学 benchmark，而是把模型内部坐标补到现有框架树上。