Level2 数据进入 PatchTST

Abstract

这一篇对应 00-PatchTST总览与Level树 的 Level 2。

讲一件事：原始 CSV 数据怎样变成 forward(x_enc, x_mark_enc, x_dec, x_mark_dec) 的四个入参，以及哪些入参 PatchTST 其实根本不用。

---

1. 调用时序图

---

2. 四个 forward 入参的含义与 shape

参数名（代码）	含义	Shape（toy）	是否被 PatchTST 使用
x_enc / input	encoder 输入，历史时序	(2, 9, 3)	✅ 核心输入
x_mark_enc / input_mark	encoder 时间戳特征	(2, 9, 4)	❌ 未使用
x_dec / dec_input	decoder 输入（adapter 构造）	(2, 11, 3)	❌ 未使用
x_mark_dec / target_mark	decoder 时间戳特征	(2, 11, 4)	❌ 未使用

重要：PatchTST 是纯 encoder-only 模型，forecast() 函数体内从未访问 x_dec 和 x_mark_dec。这四个参数的签名是为了和整个框架的统一接口保持兼容，不代表 PatchTST 真正需要它们。

---

3. dec_input 是怎样构造的（即使 PatchTST 不用它）

位置：adapters_for_transformers.py:81

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}

target 的 shape 是 (B, label_len + horizon, enc_in)。

用 toy 参数代入：

• label_len = seq_len // 2 = 9 // 2 = 4（由 deep_forecasting_model_base.py:241 设置）
• horizon = pred_len = 7
• target.shape = (2, 4+7, 3) = (2, 11, 3)

dec_input 构造过程：

target[:, :4, :] 取历史尾部 4 步     → shape (2, 4, 3)
zeros_like(target[:, -7:, :])         → shape (2, 7, 3)，全零占位
cat([历史尾4步, 全零7步], dim=1)       → shape (2, 11, 3)

语义：这是 Informer/Autoformer 等 decoder 模型需要的"partially observed future"——过去尾部 + 未来零占位。PatchTST 没有 decoder，这个输入对它毫无意义，直接被忽略。

---

4. label_len 的来源

label_len 不是命令行参数，由框架在训练前自动设置：

# deep_forecasting_model_base.py:241
setattr(self.config, "label_len", self.config.seq_len // 2)

例外：MICN 模型设为 seq_len，单步预测模型设为 horizon。PatchTST 走通用分支，得 seq_len // 2。

toy 参数下：label_len = 9 // 2 = 4

---

5. enc_in 的来源

enc_in 也不是命令行参数，由框架在训练前从训练数据推断：

# deep_forecasting_model_base.py:234
self.config.enc_in = column_num   # 数据集的列数

这意味着：MODEL_HYPER_PARAMS 里的默认 enc_in=1 只是占位，真正的值在训练数据加载后才确定。

toy 参数里 enc_in=3 代表数据集有 3 列。

---

6. DataLoader 输出的完整 tensor 关系

CSV 原始数据（T 行 × enc_in 列）
    ↓ 滑窗切割（RollingForecast 策略）
batch_x      (2, 9,  3)   ← input:  历史 seq_len=9 步
batch_y      (2, 11, 3)   ← target: label_len=4 + pred_len=7 步
batch_x_mark (2, 9,  4)   ← 对应 batch_x 的时间戳特征（month/day/hour/weekday）
batch_y_mark (2, 11, 4)   ← 对应 batch_y 的时间戳特征

---

7. 下一步

继续看 forward 骨架：03-Level3-forward主链