Files
TSlib/scripts/long_term_forecast/xPatch_SparseChannel_all.sh

86 lines
1.6 KiB
Bash

#!/bin/bash
model_name=xPatch_SparseChannel
# 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 $pred_len \
--e_layers 2 \
--d_layers 1 \
--enc_in 862 \
--batch_size 256 \
--learning_rate 0.0005 \
--use_multi_gpu True \
--lradj 'sigmoid' \
--train_epochs 50 \
--patience 5 \
--c_out 862 \
--d_model 128 \
--d_ff 256 \
--n_heads 16 \
--patch_len 16 \
--stride 8 \
--k_graph 10 \
--dropout 0.1 \
--revin 1 \
--des 'Exp' \
--itr 1 \
--season_encoder 'Transformer' \
--thr_graph 0.6 \
--symmetric_graph 1 \
--degree_rescale 'none' \
--gate_temperature 0.6667 \
--tau_attn 1.0 \
--season_l0_lambda 0.0000
done
# ECL dataset
for pred_len in 96 192 336 720
do
python -u run.py \
--task_name long_term_forecast \
--is_training 1 \
--root_path ./dataset/electricity/ \
--data_path electricity.csv \
--model_id ECL_$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