基于encoder-decoder的非自回归Transformer时间序列预测Python程序
特色：1、单变量，多变量输入，自由切换
2、单步预测，多步预测，自动切换
3、基于Pytorch架构
4、多个评估指标（MAE,MSE,R2,MAPE等）
5、数据从excel文件中读取，更换简单
6、标准框架，数据分为训练集、验证集，测试集
全部完整的代码，保证可以运行的代码看这里。
http://t.csdn.cn/obJlC
http://t.csdn.cn/obJlC
！！！如果第一个链接打不开，请点击个人首页，查看我的个人介绍。
（搜索到的产品后，点头像，就能看到全部代码）
黑科技小土豆的博客_CSDN博客-深度学习,32单片机领域博主
1、基于encoder-decoder的非自回归Transformer模型背景简介
Transformer是近年来应用广泛的神经网络模型，其基于自注意力机制实现了非常优秀的性能，能够很好地应用于序列到序列的任务，如机器翻译，文本摘要等。
而在非自回归模型中，模型输出的每个时间步都不依赖于之前的输出，这与传统的自回归模型有所不同。这种模型结构的优点是推理速度快，在准确率与速度之间权衡的情况下，非自回归模型会更加适用。
同时，模型采用了encoder-decoder架构，encoder通过自注意力网络将输入中的每个信息进行编码，decoder负责根据encoder传递的信息对其进行解码，最终输出预测结果。这种结构适用于序列到序列的任务，如机器翻译、对话系统等。非自回归模型可以避免序列逐步生成每个元素的高计算复杂度，加速推理速度。
因此，基于encoder-decoder的非自回归Transformer模型结合了Transformer的自注意力机制和非自回归模型的快速推理，能够更好地解决序列到序列的任务，并加快推理速度。
2、基于encoder-decoder的非自回归Transformer模型优点总结
本模型的优点有：
- Transformer网络具有非常好的性能表现，能够很好地应用于序列到序列的任务，如机器翻译，文本摘要等；
- 非自回归模型能够更快地进行推理，在对速度有要求的任务中表现更优；
- encoder-decoder架构适用于序列到序列的任务，可以更好地处理输入和输出序列中的信息，提高模型的预测准确率。
train_ratio = 0.7 # 训练集比例
val_ratio = 0.15 # 验证集比例
test_ratio = 0.15 # 测试集比例
input_length = 48 # 输入数据长度，多步预测建议长，单步预测建议短
output_length = 1 # 输出数据长度，1为单步预测，1以上为多步预测 请注意，随着输出长度的增长，模型训练时间呈指数级增长
learning_rate = 0.1 # 学习率
estimators = 100 # 迭代次数
max_depth = 5 # 树模型的最大深度
interval_length = 2000 # 预测数据长度，最长不可以超过总数据条数
scalar = True # 是否使用归一化
scalar_contain_labels = True # 归一化过程是否包含目标值的历史数据
target_value = 'load' # 需要预测的列名，可以在excel中查看