export CUDA_VISIBLE_DEVICES=0 model_name=TimeXer des='Timexer-MS' patch_len=24 python -u run.py \ --is_training 1 \ --task_name long_term_forecast \ --root_path ./dataset/EPF/ \ --data_path NP.csv \ --model_id NP_168_24 \ --model $model_name \ --data custom \ --features MS \ --seq_len 168 \ --pred_len 24 \ --e_layers 3 \ --enc_in 3 \ --dec_in 3 \ --c_out 1 \ --des $des \ --patch_len $patch_len \ --d_model 512 \ --d_ff 512 \ --batch_size 4 \ --itr 1 python -u run.py \ --is_training 1 \ --task_name long_term_forecast \ --root_path ./dataset/EPF/ \ --data_path PJM.csv \ --model_id PJM_168_24 \ --model $model_name \ --data custom \ --features MS \ --seq_len 168 \ --pred_len 24 \ --e_layers 3 \ --enc_in 3 \ --dec_in 3 \ --c_out 1 \ --des $des \ --patch_len $patch_len \ --d_model 512 \ --batch_size 16 \ --itr 1 python -u run.py \ --is_training 1 \ --task_name long_term_forecast \ --root_path ./dataset/EPF/ \ --data_path BE.csv \ --model_id BE_168_24 \ --model $model_name \ --data custom \ --features MS \ --seq_len 168 \ --pred_len 24 \ --e_layers 2 \ --enc_in 3 \ --dec_in 3 \ --c_out 1 \ --des $des \ --patch_len $patch_len \ --d_model 512 \ --d_ff 512 \ --batch_size 16 \ --itr 1 python -u run.py \ --is_training 1 \ --task_name long_term_forecast \ --root_path ./dataset/EPF/ \ --data_path FR.csv \ --model_id FR_168_24 \ --model $model_name \ --data custom \ --features MS \ --seq_len 168 \ --pred_len 24 \ --e_layers 2 \ --enc_in 3 \ --dec_in 3 \ --c_out 1 \ --des $des \ --patch_len $patch_len \ --batch_size 16 \ --d_model 512 \ --itr 1 python -u run.py \ --is_training 1 \ --task_name long_term_forecast \ --root_path ./dataset/EPF/ \ --data_path DE.csv \ --model_id DE_168_24 \ --model $model_name \ --data custom \ --features MS \ --seq_len 168 \ --pred_len 24 \ --e_layers 1 \ --enc_in 3 \ --dec_in 3 \ --c_out 1 \ --des $des \ --patch_len $patch_len \ --batch_size 4 \ --d_model 512 \ --itr 1