关于多变量预测

[Noitolar]

老师您好！我正在尝试复现这项工作，并使其可以进行多变量预测，目前遇到了几个问题想向咨询一下。
我的基本思路是这样子的：在论文中，有以下片段
'''
Spatio-Temporal Data. A spatio-temporal data X is defined as a four-dimensional tensor with dimensions T × C × H × W , where T represents time steps, C represents the number of variables, H and W represent spatial grids. T , C, H , and W can vary across different spatio-temporal scenarios.
'''
我的理解是，其中THW三个维度可以表示“某一天内的一个特定的时空坐标”，而C则表示这个时空坐标内的变量，我下载了TDrive和Cellular数据集，发现在最开始并没有C这个维度，初始维度是NTHW，我理解为一共有N天，每天一个THW大小的“时空方块”。

之后，在DataLoader之中，unsqueeze()进去了一个维度，我认为这个为u都就是C，且C=1，也就是说这两个数据集都是单变量的预测。

再之后，维度C会在嵌入阶段被从1被卷积的out_channel转换成设定好的emb_dim，而T/H/W也会根据卷积核在对应维度上的大小切块，其数值会被处以卷积核大小并摊平。N则保持不变。
也就是说，此时的数据形式变成：N-(T’H‘W’)-C，T'=T/(patch_time), H'=H/(patch_space), W'=W/(patch_space), C=emb_dim

现在我的问题就是：
在数据集中，在DataLoader处理后，x与x_period的实际数据shape分别为：
842,1,12,16,20
842,3,12,16,20

其中x_period指的应该是“在x表示的那前一天的前三天的数据”，然而，其中的“三天”没有单开一个维度，而是“占用”了表示变量数量的维度C，这和原文中的描述有冲突。

论文代码我还在复现中，可能有很多地方没有理解对，因此想向您了解一下实际思路，谢谢老师！

[Noitolar]

更加具体地，问题主要在基于x_origin生成空间Prompt的部分：
out_s = self.st_prompt.spatial_prompt(x)
out_s, s_loss = out_s['out'], out_s['loss']
out_s = [self.spatial_patch(i).unsqueeze(dim=1).repeat(1,self.args.pred_len//self.args.t_patch_size,1,1).reshape(i.shape[0],-1,self.embed_dim).unsqueeze(dim=0) for i in out_s]
out_s = torch.mean(torch.cat(out_s,dim=0),dim=0)
其中：
self.st_prompt.spatial_prompt是基于一组不同大小卷积核的2D卷积，其输入向量维度是(n, history_time, h, w)其中，代表历史时间片数量的history_time作为卷积计算的in_channel。
在后续的self.spatial_patch()计算中，也是2D卷积计算，其in_channel,h,w三个输入数据维度中同样不包含“变量数”C维度。
而self.st_prompt.temporal_prompt使用了encoder的3D卷积，并将实际的“变量数”C维度（因为在文章的任务中都是单变量预测，这个维度并不存在于原始数据集中，通常是unsqueeze()进来的），将其作为卷积计算的in_channel。

因此，我想咨询一下老师：
@YuanYuan98
如果想将多变量数据处理能力添加到本模型中，应该如何进行处理呢？
1、将self.st_prompt.spatial_prompt中的2D卷积修改为3D卷积；
2、将“变量数”C维度和“历史时间片数”history_time维度合并：
2.1、合并为“C*his”；
2.2、合并为“his*C”；
3、以上处理方式都不合适，应该_________________________________________

我还在继续分析代码，希望能得到老师的解答，谢谢老师！