#!/bin/bash

model_name=xPatch_SparseChannel

# ECL dataset
for pred_len in 96 192 336 720
do
python -u run.py \
  --task_name long_term_forecast \
  --is_training 1 \
  --root_path ./dataset/electricity/ \
  --data_path electricity.csv \
  --model_id ECL_$pred_len'_'$pred_len \
  --model $model_name \
  --data custom \
  --features M \
  --seq_len 96 \
  --label_len 48 \
  --pred_len $pred_len \
  --e_layers 2 \
  --d_layers 1 \
  --enc_in 321 \
  --batch_size 512 \
  --learning_rate 0.001 \
  --use_multi_gpu True \
  --lradj 'sigmoid' \
  --train_epochs 50 \
  --patience 5 \
  --c_out 321 \
  --d_model 128 \
  --d_ff 256 \
  --n_heads 16 \
  --patch_len 16 \
  --stride 8 \
  --k_graph 8 \
  --dropout 0.1 \
  --revin 1 \
  --des 'Exp' \
  --itr 1
done

# Traffic dataset
for pred_len in 96 192 336 720
do
python -u run.py \
  --task_name long_term_forecast \
  --is_training 1 \
  --root_path ./dataset/traffic/ \
  --data_path traffic.csv \
  --model_id traffic_$pred_len'_'$pred_len \
  --model $model_name \
  --data custom \
  --features M \
  --seq_len 96 \
  --label_len 48 \
  --pred_len $pred_len \
  --e_layers 2 \
  --d_layers 1 \
  --enc_in 862 \
  --batch_size 256 \
  --learning_rate 0.0005 \
  --use_multi_gpu True \
  --lradj 'sigmoid' \
  --train_epochs 50 \
  --patience 5 \
  --c_out 862 \
  --d_model 128 \
  --d_ff 256 \
  --n_heads 16 \
  --patch_len 16 \
  --stride 8 \
  --k_graph 8 \
  --dropout 0.1 \
  --revin 1 \
  --des 'Exp' \
  --itr 1
done