时间序列（Time-Series）exp_short_term_forecasting.py代码解析

from data_provider.data_factory import data_provider    #数据提供模块
from data_provider.m4 import M4Meta    #M4数据集的元数据
from exp.exp_basic import Exp_Basic    #实验基类
from utils.tools import EarlyStopping, adjust_learning_rate, visual  #工具函数
from utils.losses import mape_loss, mase_loss, smape_loss   #自定义损失函数
from utils.m4_summary import M4Summary   #M4数据集的汇总统计
import torch
import torch.nn as nn
from torch import optim
import os
import time
import warnings
import numpy as np
import pandas

warnings.filterwarnings('ignore')   #忽略警告信息

#短期预测类
class Exp_Short_Term_Forecast(Exp_Basic):
    #构造函数
    def __init__(self, args):
        super(Exp_Short_Term_Forecast, self).__init__(args)
    #创建模型
    def _build_model(self):
        if self.args.data == 'm4':
            self.args.pred_len = M4Meta.horizons_map[self.args.seasonal_patterns]  # Up to M4 config
            self.args.seq_len = 2 * self.args.pred_len  # input_len = 2*pred_len
            self.args.label_len = self.args.pred_len
            self.args.frequency_map = M4Meta.frequency_map[self.args.seasonal_patterns]
        model = self.model_dict[self.args.model].Model(self.args).float()
        #多gpu且gpu可用
        if self.args.use_multi_gpu and self.args.use_gpu:
            model = nn.DataParallel(model, device_ids=self.args.device_ids)
        return model
    #从data_provider函数获取数据集合和数据加载器
    def _get_data(self, flag):
        data_set, data_loader = data_provider(self.args, flag)
        return data_set, data_loader
    #选择优化器，该函数使用adam优化器，从传入的参数self 添加self.args.learning_rate学习率
    def _select_optimizer(self):
        model_optim = optim.Adam(self.model.parameters(), lr=self.args.learning_rate)
        return model_optim
    #选择损失函数，MSELoss（均方误差损失）
    def _select_criterion(self, loss_name='MSE'):
        if loss_name == 'MSE':
            return nn.MSELoss()
        elif loss_name == 'MAPE':
            return mape_loss()
        elif loss_name == 'MASE':
            return mase_loss()
        elif loss_name == 'SMAPE':
            return smape_loss()
#训练方法
    def train(self, setting):
        #获取数据
        train_data, train_loader = self._get_data(flag='train')
        vali_data, vali_loader = self._get_data(flag='val')
        #创建模型存储文件
        path = os.path.join(self.args.checkpoints, setting)
        if not os.path.exists(path):
            os.makedirs(path)
        #获取时间戳
        time_now = time