export CUDA_VISIBLE_DEVICES=1 model_name=TimesNet python -u run.py \ --task_name imputation \ --is_training 1 \ --root_path ./dataset/ETT-small/ \ --data_path ETTh2.csv \ --model_id ETTh2_mask_0.125 \ --mask_rate 0.125 \ --model $model_name \ --data ETTh2 \ --features M \ --seq_len 96 \ --label_len 0 \ --pred_len 0 \ --e_layers 2 \ --d_layers 1 \ --factor 3 \ --enc_in 7 \ --dec_in 7 \ --c_out 7 \ --batch_size 16 \ --d_model 32 \ --d_ff 32 \ --des 'Exp' \ --itr 1 \ --top_k 3 \ --learning_rate 0.001 python -u run.py \ --task_name imputation \ --is_training 1 \ --root_path ./dataset/ETT-small/ \ --data_path ETTh2.csv \ --model_id ETTh2_mask_0.25 \ --mask_rate 0.25 \ --model $model_name \ --data ETTh2 \ --features M \ --seq_len 96 \ --label_len 0 \ --pred_len 0 \ --e_layers 2 \ --d_layers 1 \ --factor 3 \ --enc_in 7 \ --dec_in 7 \ --c_out 7 \ --batch_size 16 \ --d_model 32 \ --d_ff 32 \ --des 'Exp' \ --itr 1 \ --top_k 3 \ --learning_rate 0.001 python -u run.py \ --task_name imputation \ --is_training 1 \ --root_path ./dataset/ETT-small/ \ --data_path ETTh2.csv \ --model_id ETTh2_mask_0.375 \ --mask_rate 0.375 \ --model $model_name \ --data ETTh2 \ --features M \ --seq_len 96 \ --label_len 0 \ --pred_len 0 \ --e_layers 2 \ --d_layers 1 \ --factor 3 \ --enc_in 7 \ --dec_in 7 \ --c_out 7 \ --batch_size 16 \ --d_model 32 \ --d_ff 32 \ --des 'Exp' \ --itr 1 \ --top_k 3 \ --learning_rate 0.001 python -u run.py \ --task_name imputation \ --is_training 1 \ --root_path ./dataset/ETT-small/ \ --data_path ETTh2.csv \ --model_id ETTh2_mask_0.5 \ --mask_rate 0.5 \ --model $model_name \ --data ETTh2 \ --features M \ --seq_len 96 \ --label_len 0 \ --pred_len 0 \ --e_layers 2 \ --d_layers 1 \ --factor 3 \ --enc_in 7 \ --dec_in 7 \ --c_out 7 \ --batch_size 16 \ --d_model 32 \ --d_ff 32 \ --des 'Exp' \ --itr 1 \ --top_k 3 \ --learning_rate 0.001