NeuralForecast项目N-HiTS模型多数据集实验指南

背景介绍

NeuralForecast是一个基于PyTorch的开源时间序列预测库，提供了多种先进的深度学习预测模型。其中N-HiTS模型是该库中的一个重要组件，专门针对长期时间序列预测任务进行了优化。

问题发现

在官方代码库中，experiments/long_horizon目录下的实验代码最初仅支持ETT系列数据集（ETTm1、ETTm2、ETTh1、ETTh2）。当用户尝试将该代码扩展到其他数据集（如ILI数据集）时，遇到了兼容性问题。

解决方案

经过技术探索，我们找到了一个通用的解决方案，可以支持所有论文中提到的数据集。关键点包括：

1. 数据集加载逻辑：需要区分处理ETT系列数据集和其他数据集
2. 时间处理：非ETT数据集需要额外处理时间戳格式
3. 验证集划分：不同数据集采用不同的验证集划分策略

实现细节

以下是修改后的核心代码逻辑：

# 数据集加载部分
if dataset in ['ETTm1', 'ETTm2', 'ETTh1', 'ETTh2']:
    Y_df = LongHorizon2.load(directory='./data/', group=dataset)
else:
    Y_df, _, _ = LongHorizon.load(directory='./data/', group=dataset)
    Y_df['ds'] = pd.to_datetime(Y_df['ds'])

# 预测范围验证
if dataset != 'ILI':
    assert horizon in [96, 192, 336, 720]
else:
    assert horizon in [24, 36, 48, 60]

# 验证集划分策略
if dataset in ['ETTm1', 'ETTm2', 'ETTh1', 'ETTh2']:
    val_size = LongHorizon2Info[dataset].val_size
    test_size = LongHorizon2Info[dataset].test_size
else:
    val_size = int(.2 * n_time)
    test_size = int(.2 * n_time)

注意事项

1. 此解决方案需要同时使用NeuralForecast主分支和datasetsforecast库的主分支
2. 需要确保使用LongHorizonInfo类而非LongHorizonInfo2类
3. 不同数据集有不同的预测范围设置，需要特别注意

扩展应用

此修改方案不仅适用于ILI数据集，理论上可以扩展到所有LongHorizon数据集，包括但不限于：

• 电力负荷数据集
• 交通流量数据集
• 气象数据集

最佳实践建议

1. 在运行实验前，先检查数据集的时间戳格式
2. 对于新数据集，建议先小规模测试验证集划分策略
3. 注意不同数据集的季节性特征，可能需要调整模型参数

通过以上方法，研究人员可以更全面地复现N-HiTS论文中的所有实验结果，也为后续研究提供了可扩展的实验框架。