Informer2020中的MSE与MAE值缩放问题解析

问题背景

在使用Informer2020进行时间序列预测时，许多用户会遇到一个常见问题：终端输出的MAE/MSE指标与可视化结果中显示的预测误差存在明显差异。具体表现为终端输出的误差值较大（如MAE=0.1），而可视化图表中预测曲线与真实曲线看起来非常接近（视觉上MAE≈0.01）。

问题根源

这一现象的根本原因在于数据预处理阶段采用了不同的标准化方法：

1. Z-score标准化（Informer2020默认使用）

   • 公式：(x - μ)/σ
   • 特点：将数据转换为均值为0，标准差为1的分布
   • 影响：会改变数据的原始尺度

2. Min-Max标准化（许多国外论文使用）

   • 公式：(x - min)/(max - min)
   • 特点：将数据缩放到[0,1]区间
   • 影响：保持数据的相对比例关系

解决方案

当使用Z-score标准化时，需要对评估指标进行相应的缩放调整：

1. MSE（均方误差）

   • 需要除以4（因为方差涉及平方运算）

2. MAE（平均绝对误差）和RMSE（均方根误差）

   • 需要除以2（因为是线性尺度）

这种调整可以确保评估指标与使用Min-Max标准化的结果具有可比性。

实际应用建议

1. 结果对比时

   • 如果与其他使用Min-Max标准化的研究结果对比，务必进行上述缩放调整
   • 保持评估标准的一致性才能进行公平比较

2. 可视化解释

   • 可视化图表通常显示的是反归一化后的数据
   • 终端输出的是归一化空间的误差指标
   • 这是造成视觉差异的主要原因

3. 代码实现检查

   • 确认data_loader.py中的标准化方法
   • 检查metrics.py中的指标计算是否考虑了标准化影响
   • 验证exp_informer.py中的结果反归一化过程

技术要点总结

1. 标准化方法的选择会显著影响模型评估指标
2. Z-score和Min-Max标准化需要不同的后处理调整
3. 可视化结果与数值结果差异主要源于数据尺度变化
4. 跨研究比较时，标准化方法的一致性至关重要

理解这些概念对于正确解释Informer2020的输出结果和进行公平的模型比较具有重要意义。