Layer 0 — TFB 接入界面

1. 在父层中的位置

TFB 通过 TransformerAdapter 包装 TimeMixer，RollingForecast 调用 adapter 的训练/预测接口。

2. I/O 接口定义

四入参 shape（toy 参数）：

参数	Shape	含义
x_enc	(2, 24, 3)	encoder 输入，B × seq_len × enc_in
x_mark_enc	(2, 24, 4)	encoder 时间标记（hour/day/weekday/month）
x_dec	(2, 18, 3)	decoder 输入 = label_len(12) + pred_len(6) 的零填充；TimeMixer 完全不使用
x_mark_dec	(2, 18, 4)	decoder 时间标记；TimeMixer 完全不使用

输出 shape： (2, 6, 3) = (B, pred_len, enc_in)

x_dec 被构造但从未使用

TransformerAdapter._process() 按照 Informer/Autoformer 风格构造了 dec_input，但 TimeMixer.forecast() 的函数签名接受 x_dec, x_mark_dec 却从不读取这两个参数。这是接口统一设计，TimeMixer 内部只依赖 x_enc 和 x_mark_enc。

3. 顺序图

4. 语义分组图

5. 逐步骤精读

§5.0 完整原始代码

# adapters_for_transformers.py:10-54（节选 TimeMixer 相关默认值）
MODEL_HYPER_PARAMS = {
    "top_k": 5,
    "enc_in": 1,
    "dec_in": 1,
    "c_out": 1,
    "e_layers": 2,
    "d_model": 512,
    "d_ff": 2048,
    "embed": "timeF",
    "freq": "h",
    "lradj": "type1",
    "moving_avg": 25,
    "factor": 1,
    "n_heads": 8,
    "activation": "gelu",
    "dropout": 0.1,
    "batch_size": 32,
    "lr": 0.0001,
    "num_epochs": 10,
    "loss": "MSE",
    "patience": 3,
    "down_sampling_windows": 2,      # ← 注意：key 是 "windows"（复数）
    "channel_independence": True,
    "down_sampling_layers": 3,       # ← key 是 "layers"（复数）
    "down_sampling_method": "avg",
    "decomp_method": "moving_avg",
    "use_norm": True,
    "task_name": "short_term_forecast",
}

# adapters_for_transformers.py:81-94
def _process(self, input, target, input_mark, target_mark):
    dec_input = torch.zeros_like(target[:, -self.config.horizon :, :]).float()
    dec_input = (
        torch.cat([target[:, : self.config.label_len, :], dec_input], dim=1)
        .float()
        .to(input.device)
    )
    output = self.model(input, input_mark, dec_input, target_mark)
    return {"output": output}

§5.1 MODEL_HYPER_PARAMS 与脚本参数对照

TFB ETTh1 脚本（horizon=96 为例）传入参数：脚本传 "down_sampling_window": 2（singular "window"）、"down_sampling_layer": 3（singular "layer"，⚠️ 与代码键名不一致）、"d_model": 16、"d_ff": 32、"e_layers": 2。

⚠️ 参数名不一致问题：

脚本 key	MODEL_HYPER_PARAMS key	TimeMixer 代码访问	实际生效值
down_sampling_window	down_sampling_windows	configs.down_sampling_window	脚本值 2（脚本 key 正好匹配代码）
down_sampling_layer	down_sampling_layers	configs.down_sampling_layers	MODEL_HYPER_PARAMS 默认值 3（脚本 key 多了's'，未能覆盖）
norm	—	configs.use_norm	MODEL_HYPER_PARAMS 的 use_norm=True（脚本传 "norm" 不影响 "use_norm"）

脚本意图传 down_sampling_layer=3，但 TimeMixer 读 configs.down_sampling_layers，读到的是 MODEL_HYPER_PARAMS 的默认值 3——数字碰巧相同，所以功能正确，但存在隐性 bug。

§5.2 TFB 自动填充的参数

multi_forecasting_hyper_param_tune(train_data) 在训练前自动设置：

column_num = train_data.shape[1]   # ETTh1.csv: 7
self.config.enc_in = column_num    # 7
self.config.dec_in = column_num    # 7
self.config.c_out  = column_num    # 7
setattr(self.config, "label_len", self.config.seq_len // 2)  # 512//2 = 256

这些参数无法通过脚本直接控制，由数据集列数自动推断。

§5.3 _process 构造 dec_input

形状注解： target shape (2, 18, 3) = $(B,\text{label\_len}+\text{pred\_len},N)$，其中 label_len=12, pred_len=6。zeros_like(target[:, -6:, :]) 取最后 6 步并清零，shape (2, 6, 3)。target[:, :12, :] 取前 12 步（label 历史段），shape (2, 12, 3)。torch.cat([(2,12,3), (2,6,3)], dim=1) 在时间轴拼接，得 dec_input shape (2, 18, 3)。

toy 数值： B=2, pred_len=6, label_len=12, enc_in=3。target[:, -6:, :] 取 target 的最后 6 步得 (2, 6, 3)，全部填 0；target[:, :12, :] 取前 12 步得 (2, 12, 3)，保留真实历史值；cat 拼接后 dec_input shape (2, 18, 3) = label 段真实值 + 未来段全零。

TimeMixer 的 forecast() 接收了 x_dec=(2,18,3) 和 x_mark_dec=(2,18,4)，但函数体内从不引用这两个参数。

§5.4 task_name 路径

MODEL_HYPER_PARAMS 中 task_name = "short_term_forecast"，脚本不覆盖此值。TimeMixer.forward 的条件：

if self.task_name == "long_term_forecast" or self.task_name == "short_term_forecast":
    dec_out = self.forecast(x_enc, x_mark_enc, x_dec, x_mark_dec)
    return dec_out

两种 task_name 都走同一个 forecast() 函数，实际无区别。

6. 下钻子组件

子组件	职责	文档
TimeMixer.forecast()	多尺度输入→PDM→FMM→预测	[[02-Layer1-forecast主链]]