Transformer框架时间序列模型Informer内容与代码解读

注：大家觉得博客好的话 
  
  
  
  
  
  ，别忘了点赞收藏呀
  
  
  
  
  
  
，本人每周都会更新关于人工智能和大数据相关的内容
 


 


 


 


 


 

，内容多为原创 
 
 
 
 
 
 ，Python Java Scala SQL 代码
   
   
   
   
   
   
，CV NLP 推荐系统等
 

 

 

 

 

 
，Spark Flink Kafka Hbase Hive Flume等等~写的都是纯干货 

 

 

 

 

 

 ，各种顶会的论文解读            ，一起进步            。

论文：https://arxiv.org/abs/2012.07436

代码：https://github.com/zhouhaoyi/Informer2020

#博学谷IT学习技术支持#

前言

Transformer模型是当下最火的模型之一

 
 

 
 

 
 

 
 

 
 

 
 
，被广泛使用在nlp,cv等各个领域之中 
  
 
  
 
  
 
  
 
  
 
  
 。但是











，用Transformer模型去解决时间序列问题却非常少见












。本文是少有的用Transformer模型去解决长序列的时间预测问题 
  
  
  
  
  
 。是AAAI 2021 Best Paper 
  
  
  
  
  
  。内容比较新颖                   ，尤其是提出了一种新的注意力层——ProbSparse Self-Attention和Distilling操作
 
 
 
 
 
 
 
 
 
 
 
 
，在减少模型参数的同时大大提升模型的效果

















，值得在许多场合中借鉴

 


 


 


 


 


 

。

一            、数据集

论文提供了几种数据             ，我这以wth.csv为案例
  
 
  
 
  
 
  
 
  
 
  
 
，其他的数据集也都差不多 
 
 
 
 
 
。

数据一共有35064条13列











，其中第一列为时间 
  
  
  
  
  
  ，以每小时为单位 
   
   
   
   
   
   。后12列为普通的column
  
  
  
  
  
  
，进行多变量预测任务
 


 


 


 


 


 

，也就是后12列既是作为特征X 
 
 
 
 
 
 ，也是需要预测的标签Y
 

 

 

 

 

 
。

二 
  
 
  
 
  
 
  
 
  
 
  
 、数据集的特种工程操作

论文主要对数据进行切割
   
   
   
   
   
   
，分为训练集
 

 

 

 

 

 
，验证集和测试集 

 

 

 

 

 

 ，其中训练集24544条(0 ~24544)            ，验证集3508条(24448 ~28052)

 
 

 
 

 
 

 
 

 
 

 
 
，测试集7012条(27956 ~35064)
 

 

 

 

 

 

。对数据进行了标准化操作











，和提取第一列的时间数据                   ，为了提取更多时间轴纬度的信息对其进行转换
 
 
 
 
 
 
 
 
 
 
 
 
，1列转化成4列            。

1.标准化操作

代码如下（示例）：

class StandardScaler(): def __init__(self): self.mean = 0. self.std = 1. def fit(self, data): self.mean = data.mean(0) self.std = data.std(0) def transform(self, data): mean = torch.from_numpy(self.mean).type_as(data).to(data.device) if torch.is_tensor(data) else self.mean std = torch.from_numpy(self.std).type_as(data).to(data.device) if torch.is_tensor(data) else self.std return (data - mean) / std def inverse_transform(self, data): mean = torch.from_numpy(self.mean).type_as(data).to(data.device) if torch.is_tensor(data) else self.mean std = torch.from_numpy(self.std).type_as(data).to(data.device) if torch.is_tensor(data) else self.std if data.shape[-1] != mean.shape[-1]: mean = mean[-1:] std = std[-1:] return (data * std) + mean

2.时间信息转化

代码如下（示例）：

class HourOfDay(TimeFeature): """Hour of day encoded as value between [-0.5, 0.5]""" def __call__(self, index: pd.DatetimeIndex) -> np.ndarray: return index.hour / 23.0 - 0.5 class DayOfWeek(TimeFeature): """Hour of day encoded as value between [-0.5, 0.5]""" def __call__(self, index: pd.DatetimeIndex) -> np.ndarray: return index.dayofweek / 6.0 - 0.5 class DayOfMonth(TimeFeature): """Day of month encoded as value between [-0.5, 0.5]""" def __call__(self, index: pd.DatetimeIndex) -> np.ndarray: return (index.day - 1) / 30.0 - 0.5 class DayOfYear(TimeFeature): """Day of year encoded as value between [-0.5, 0.5]""" def __call__(self, index: pd.DatetimeIndex) -> np.ndarray: return (index.dayofyear - 1) / 365.0 - 0.5 最后将其封装起来 dates = pd.to_datetime(dates.date.values) return np.vstack([feat(dates) for feat in time_features_from_frequency_str(freq)]).transpose(1,0)

ps:这里的思路值得学习

















，特征工程非常重要             ，可以根据不同的业务场景
  
 
  
 
  
 
  
 
  
 
  
 
，进行细分











，比如加入季节 
  
  
  
  
  
  ，假期
  
  
  
  
  
  
，促销季节等
 


 


 


 


 


 

，进一步补充时间维度的信息 
 
 
 
 
 
 ，这些特征工程往往决定模型表现的上线
   
   
   
   
   
   
，而模型本身只能逼近上线而已 

 
 

 
 

 
 

 
 

 
 

 
 。

3.模型的输入

通过Dataloader getitem 函数对数据进行处理
 

 

 

 

 

 
，模型输入分别为seq_x, seq_y, seq_x_mark, seq_y_mark












。

seq_x的维度是96 12 

 

 

 

 

 

 ，代表12个特征和时间序列96(默认小时)                  。

seq_y的维度是72 12            ，代表12个特征和时间序列72(默认小时) 
 
 
 
 
 
 
 
 
 
 
 
 。72个小时中

 
 

 
 

 
 

 
 

 
 

 
 
，48个与seq_x重叠部分











，另外24个是真正需要预测的标签Y


















。也就是说在模型decoder预测阶段                   ，需要用时间系列前面的48个值也作为特征来带一带
 
 
 
 
 
 
 
 
 
 
 
 
，提升模型的效果            。

seq_x_mark的维度是96 4

















，代表4个前面通过时间信息转化的时间特征 
  
 
  
 
  
 
  
 
  
 
  
 。

seq_y_mark的维度是72 4             ，同样代表y的时间特征












。

三












、Encoder

1.Embedding

一般Transformer框架的第一层都是embedding,把各种特征信息融合在一起
  
 
  
 
  
 
  
 
  
 
  
 
，本文作者从3个角度进行特征融合











，分别是

value_embedding position_embedding temporal_embedding

如图所示 
  
  
  
  
  
  ，数据的embedding由三个部分组成

代码如下（示例）： class TokenEmbedding(nn.Module): def __init__(self, c_in, d_model): super(TokenEmbedding, self).__init__() padding = 1 if torch.__version__>=1.5.0 else 2 self.tokenConv = nn.Conv1d(in_channels=c_in, out_channels=d_model, kernel_size=3, padding=padding, padding_mode=circular) for m in self.modules(): if isinstance(m, nn.Conv1d): nn.init.kaiming_normal_(m.weight,mode=fan_in,nonlinearity=leaky_relu) def forward(self, x): x = self.tokenConv(x.permute(0, 2, 1)).transpose(1,2) return x class PositionalEmbedding(nn.Module): def __init__(self, d_model, max_len=5000): super(PositionalEmbedding, self).__init__() # Compute the positional encodings once in log space. pe = torch.zeros(max_len, d_model).float() pe.require_grad = False position = torch.arange(0, max_len).float().unsqueeze(1) div_term = (torch.arange(0, d_model, 2).float() * -(math.log(10000.0) / d_model)).exp() pe[:, 0::2] = torch.sin(position * div_term) pe[:, 1::2] = torch.cos(position * div_term) pe = pe.unsqueeze(0) self.register_buffer(pe, pe) def forward(self, x): return self.pe[:, :x.size(1)] class TimeFeatureEmbedding(nn.Module): def __init__(self, d_model, embed_type=timeF, freq=h): super(TimeFeatureEmbedding, self).__init__() freq_map = {h:4, t:5, s:6, m:1, a:1, w:2, d:3, b:3} d_inp = freq_map[freq] self.embed = nn.Linear(d_inp, d_model) def forward(self, x): return self.embed(x) 最后将其对应位置相加
  
  
  
  
  
  
，得到最终的embedding,做法较为常规
 


 


 


 


 


 

，通过1维的卷积层将embedding的输出映射成512 def forward(self, x, x_mark): x = self.value_embedding(x) + self.position_embedding(x) + self.temporal_embedding(x_mark)

通过embedding之后模型的输出为32 96 512 
 
 
 
 
 
 ，其中32位batch size(默认32)
   
   
   
   
   
   
，96为时间序列长度
 

 

 

 

 

 
，512为转换后的特征的维度 
  
  
  
  
  
 。

2.Encoder

Encoder为本文核心内容 

 

 

 

 

 

 ，ProbSparse Self-Attention和Distilling两大核心内容 
  
  
  
  
  
  。

def forward(self, queries, keys, values, attn_mask): B, L, _ = queries.shape _, S, _ = keys.shape H = self.n_heads queries = self.query_projection(queries).view(B, L, H, -1) keys = self.key_projection(keys).view(B, S, H, -1) values = self.value_projection(values).view(B, S, H, -1) out, attn = self.inner_attention( queries, keys, values, attn_mask )

这里第一步和正常的self-attention一样            ，对embedding的输出分别做3个线性转换

 
 

 
 

 
 

 
 

 
 

 
 
，获得queries











，keys                   ，values
 
 
 
 
 
 
 
 
 
 
 
 
，这里也是做多头的注意力机制

















，默认为8

 


 


 


 


 


 

。这里的重点是如何利用queries             ，keys
  
 
  
 
  
 
  
 
  
 
  
 
，values去做ProbSparse Self-Attention 
 
 
 
 
 
。

class ProbAttention(nn.Module): def __init__(self, mask_flag=True, factor=5, scale=None, attention_dropout=0.1, output_attention=False): super(ProbAttention, self).__init__() self.factor = factor self.scale = scale self.mask_flag = mask_flag self.output_attention = output_attention self.dropout = nn.Dropout(attention_dropout) def _prob_QK(self, Q, K, sample_k, n_top): # n_top: c*ln(L_q) # Q [B, H, L, D] B, H, L_K, E = K.shape _, _, L_Q, _ = Q.shape # calculate the sampled Q_K K_expand = K.unsqueeze(-3).expand(B, H, L_Q, L_K, E) index_sample = torch.randint(L_K, (L_Q, sample_k)) # real U = U_part(factor*ln(L_k))*L_q K_sample = K_expand[:, :, torch.arange(L_Q).unsqueeze(1), index_sample, :] Q_K_sample = torch.matmul(Q.unsqueeze(-2), K_sample.transpose(-2, -1)).squeeze(-2) # find the Top_k query with sparisty measurement M = Q_K_sample.max(-1)[0] - torch.div(Q_K_sample.sum(-1), L_K) M_top = M.topk(n_top, sorted=False)[1] # use the reduced Q to calculate Q_K Q_reduce = Q[torch.arange(B)[:, None, None], torch.arange(H)[None, :, None], M_top, :] # factor*ln(L_q) Q_K = torch.matmul(Q_reduce, K.transpose(-2, -1)) # factor*ln(L_q)*L_k return Q_K, M_top def _get_initial_context(self, V, L_Q): B, H, L_V, D = V.shape if not self.mask_flag: # V_sum = V.sum(dim=-2) V_sum = V.mean(dim=-2) contex = V_sum.unsqueeze(-2).expand(B, H, L_Q, V_sum.shape[-1]).clone() else: # use mask assert(L_Q == L_V) # requires that L_Q == L_V, i.e. for self-attention only contex = V.cumsum(dim=-2) return contex def _update_context(self, context_in, V, scores, index, L_Q, attn_mask): B, H, L_V, D = V.shape if self.mask_flag: attn_mask = ProbMask(B, H, L_Q, index, scores, device=V.device) scores.masked_fill_(attn_mask.mask, -np.inf) attn = torch.softmax(scores, dim=-1) # nn.Softmax(dim=-1)(scores) context_in[torch.arange(B)[:, None, None], torch.arange(H)[None, :, None], index, :] = torch.matmul(attn, V).type_as(context_in) if self.output_attention: attns = (torch.ones([B, H, L_V, L_V])/L_V).type_as(attn).to(attn.device) attns[torch.arange(B)[:, None, None], torch.arange(H)[None, :, None], index, :] = attn return (context_in, attns) else: return (context_in, None) def forward(self, queries, keys, values, attn_mask): B, L_Q, H, D = queries.shape _, L_K, _, _ = keys.shape queries = queries.transpose(2,1) keys = keys.transpose(2,1) values = values.transpose(2,1) U_part = self.factor * np.ceil(np.log(L_K)).astype(int).item() # c*ln(L_k) u = self.factor * np.ceil(np.log(L_Q)).astype(int).item() # c*ln(L_q) U_part = U_part if U_part<L_K else L_K u = u if u<L_Q else L_Q scores_top, index = self._prob_QK(queries, keys, sample_k=U_part, n_top=u) # add scale factor scale = self.scale or 1./sqrt(D) if scale is not None: scores_top = scores_top * scale # get the context context = self._get_initial_context(values, L_Q) # update the context with selected top_k queries context, attn = self._update_context(context, values, scores_top, index, L_Q, attn_mask) return context.transpose(2,1).contiguous(), attn

大家可以看一下ProbAttention里的forward函数

首先作者定义了一个变量U_part











，这里默认为25 
  
  
  
  
  
  ，这个变量的意义在于
  
  
  
  
  
  
，通过ProbAttention层
 


 


 


 


 


 

，从96个长序列中 
 
 
 
 
 
 ，最终得到25个有价值的queries 
   
   
   
   
   
   。

self._prob_QK 这个函数首先先从96个keys中随机抽样得到25个keys来代表所有keys的K_sample
   
   
   
   
   
   
，然后用这些K_sample对所有的96个queries做内积
 

 

 

 

 

 
，得到96个queries分别对应的25个keys值
 

 

 

 

 

 
。每一个query这时候都对应25个key值 

 

 

 

 

 

 ，然后在25个key值中取最大值            ，再减去平均值

 
 

 
 

 
 

 
 

 
 

 
 
，来作为每一个query的重要性
 

 

 

 

 

 

。这样就可以得到96个queries的重要性            。在更新values的时候











，只更新25个重要的query                   ，对应不重要的query则做平均 

 
 

 
 

 
 

 
 

 
 

 
 。

self._get_initial_context 这个函数对其他非25个重要queries以外的values做平均值
 
 
 
 
 
 
 
 
 
 
 
 
，这样可以减少参数的同时

















，剔除噪声












。

self._update_context 这个函数完成attention 计算操作                  。最终得到输出 
 
 
 
 
 
 
 
 
 
 
 
 。

通过ProbSparse Self-Attention快速找到最有用的"Active" Query             ，剔除"Lazy" Query
  
 
  
 
  
 
  
 
  
 
  
 
，用平均值来代替


















。

除了ProbAttention之外Distilling也是文章的另外一个创新            。作者通过实验表明











，经过下采样操作将96个输入长度 
  
  
  
  
  
  ，转换成48个之后
  
  
  
  
  
  
，效果更好
 


 


 


 


 


 

，所以模型类似梯队结构 
  
 
  
 
  
 
  
 
  
 
  
 。

def forward(self, x): x = self.downConv(x.permute(0, 2, 1)) x = self.norm(x) x = self.activation(x) x = self.maxPool(x) x = x.transpose(1,2) return x

其他的结构与一般的Transformer模型基本一样 
 
 
 
 
 
 ，也用到了残差连接
   
   
   
   
   
   
，归一化
 

 

 

 

 

 
，dropout等 

 

 

 

 

 

 ，来确保每一轮至少不比上一轮效果差












。

四 
  
  
  
  
  
 、Decoder

Decoder模块并无更多创新之处 
  
  
  
  
  
 。和普通的Transformer模型一样            ，唯一的区别是在Decoder的输入中也用到了Encoder的42个值

 
 

 
 

 
 

 
 

 
 

 
 
，用0作为真正需要预测的初始值 
  
  
  
  
  
  。这样可以更好的提高模型的效果

 


 


 


 


 


 

。

Mask机制用在Decoder的第一个attention层中











，目的是为了保证t时刻解码的输出只依赖于t时刻之前的输出 
 
 
 
 
 
。 class TriangularCausalMask(): def __init__(self, B, L, device="cpu"): mask_shape = [B, 1, L, L] with torch.no_grad(): self._mask = torch.triu(torch.ones(mask_shape, dtype=torch.bool), diagonal=1).to(device) @property def mask(self): return self._mask class ProbMask(): def __init__(self, B, H, L, index, scores, device="cpu"): _mask = torch.ones(L, scores.shape[-1], dtype=torch.bool).to(device).triu(1) _mask_ex = _mask[None, None, :].expand(B, H, L, scores.shape[-1]) indicator = _mask_ex[torch.arange(B)[:, None, None], torch.arange(H)[None, :, None], index, :].to(device) self._mask = indicator.view(scores.shape).to(device) @property def mask(self): return self._mask

总结

文章通过ProbSparse Self-Attention和Distilling                   ，对普通Self-Attention进行改进
 
 
 
 
 
 
 
 
 
 
 
 
，不仅减少了参数

















，同时运用在时间序列的案例中             ，提高了模型的效果 
   
   
   
   
   
   。

ProbSparse Self-Attention和Distilling能否运用在其他场景之中？比如cv nlp模型中
  
 
  
 
  
 
  
 
  
 
  
 
，把Self-Attention都替代成ProbSparse Self-Attention和Distilling











，因为都是Transformer机制 
  
  
  
  
  
  ，或者其他使用Transformer机制的架构中
  
  
  
  
  
  
，效果也会有所提高吗？