MICN流程图

sea = x - moving_avg计算原始序列与其移动平均的差值，即季节性分量

return self.embed(x)

embed.py # TokenEmbedding # forward()

embed.py # PositionalEmbedding # forward()

dec 的维度由（32， 192， 512） 变为了（32， 192， 7）

embed.py # DataEmbedding # forward()

embed.py # TimeFeatureEmbedding # forward()

train()

conv_trans

for 循环内代码

decomp_multi

moving_avg = func(x)每一个 AvgPool1d 对 x 进行处理

dec_embedding

self.position_embedding(x)

moving_mean = sum(moving_mean) / len(moving_mean)维度（32， 96， 7）计算所有移动平均的平均值，得到最终的趋势分量

x = self.value_embedding(x) + self.position_embedding(x) + self.temporal_embedding(x_mark)

return x

self.temporal_embedding(x_mark)

local_global.py # moving_avg # forward(x)

遍历 train_loader 的数据：batch_x、batch_y、batch_x_mark、batch_y_mark

方法入口

sea = sum(res) / len(res)维度（32， 96， 7）计算所有季节性分量的平均值，得到最终的季节性分量

model.py # forward()

moving_mean.append(moving_avg)将得到的 moving_avg 加入到 moving_mean 集合中去moving_avg 维度为（32， 96， 7）

python -u run.py --model micn --mode regre --data ETTh1 --features M --freq h --conv_kernel 12 16 --d_layers 1 --d_model 512 --seq_len 96 --label_len 96 --pred_len 96

return self.projection(dec)

regression

local_global.py #series_decomp_multi # forward(x)

清空梯度model_optim.zero_grad()

regression.weight

seasonal_init_dec 变量维度为（32， 192， 7）x_mark_dec 维度为（32， 192， 4）dec_out 维度为（32， 192， 512）

res.append(sea)加入结果中

dec_out = self.conv_trans(dec_out)

self.value_embedding(x)

x 的维度为（32， 192， 7）经过 self.value_embedding(x) 维度为（32， 192， 512）经过 self.position_embedding(x) 维度为（1， 192， 512）经过 self.temporal_embedding(x_mark) 维度为（32， 192， 512）最后将三个嵌入后的 x 相加起来，x 的维度为（32， 192， 512）

初始化Exp_Informer

Dataset_ETT_hour以 ETTh1 数据集为例，这里初始化该类，在该类中读取数据

这里输入参数 batch_x 的维度为（32， 96， 7）第一个维度 32 表示批处理大小，即一次处理的样本数量第二个维度 96 表示时间序列的长度，即时间步数第三个维度 7 表示每个时间步的特征数量

for mic_layer in self.mic:            dec = mic_layer(dec)

return self.dropout(x)

self.mode == 'regre'

通过一维平均池化操作（AvgPool1d）对输入进行处理，目的是降低序列数据的长度，同时保留其重要特征

x_dec 的维度（32， 192， 7）pred_len = 96这里通过 torch.zeros 创建一个维度为（32， 96， 7）的变量