1：新增相关预测逻辑

models/pressure-predictor/gat-lstm_model/20min_predict.py

@@ -0,0 +1,642 @@
+"""
+20分钟TMP预测模型
+版本：1.0
+最后更新：2025-10-28
+"""
+
+import os
+import sys
+import torch
+import pandas as pd
+import numpy as np
+import joblib
+import pywt
+from datetime import datetime, timedelta
+from torch.utils.data import DataLoader, TensorDataset
+from gat_lstm import GAT_LSTM    # 导入自定义的GAT-LSTM模型
+from tqdm import tqdm
+
+# 添加项目根目录到系统路径，以便导入common模块
+project_root = os.path.abspath(os.path.join(os.path.dirname(__file__), '../../..'))
+if project_root not in sys.path:
+    sys.path.insert(0, project_root)
+
+from common.utils.logger import setup_logger, log_execution_time
+from common.utils.config import Config
+
+def set_seed(seed):
+    """
+    设置全局随机种子，保证实验可重复性
+    
+    Args:
+        seed: 随机种子值
+        
+    Note:
+        - 设置Python、NumPy、PyTorch的随机种子
+        - 确保CUDA操作的确定性
+        - 关闭CUDA的性能优化（以确保可重复性）
+    """
+    import random
+    random.seed(seed)                              # Python随机数生成器
+    os.environ['PYTHONHASHSEED'] = str(seed)       # Python哈希种子
+    np.random.seed(seed)                           # NumPy随机数生成器
+    torch.manual_seed(seed)                        # PyTorch CPU随机数生成器
+    torch.cuda.manual_seed(seed)                   # 当前GPU随机数生成器
+    torch.cuda.manual_seed_all(seed)               # 所有GPU随机数生成器
+    torch.backends.cudnn.deterministic = True      # 确保CUDA操作确定性
+    torch.backends.cudnn.benchmark = False         # 关闭CUDA性能优化
+
+class Predictor:
+    """
+    TMP预测器类
+    
+    功能：
+        - 加载并预处理输入数据
+        - 加载训练好的GAT-LSTM模型
+        - 执行预测并保存结果
+        
+    使用示例：
+        predictor = Predictor()
+        predictions = predictor.predict(df)
+        predictor.save_predictions(predictions)
+    """
+    
+    def __init__(self, config_path='config.yaml'):
+        """
+        初始化预测器
+        
+        Args:
+            config_path: 配置文件路径，默认为当前目录下的config.yaml
+            
+        Raises:
+            FileNotFoundError: 配置文件或模型文件不存在
+            
+        Note:
+            - 从配置文件加载所有参数
+            - 自动检测并使用GPU（如果可用）
+            - 加载训练时保存的数据归一化器
+        """
+        # 加载配置文件
+        config_file = os.path.join(os.path.dirname(__file__), config_path)
+        self.config = Config(config_file)
+        
+        # 设置日志
+        log_dir = os.path.join(os.path.dirname(__file__), 
+                               os.path.dirname(self.config.get('logging.log_file', 'logs/20min_predict.log')))
+        os.makedirs(log_dir, exist_ok=True)
+        
+        log_file = os.path.join(os.path.dirname(__file__), 
+                               self.config.get('logging.log_file', 'logs/20min_predict.log'))
+        self.logger = setup_logger(
+            name='20min_predict',
+            level=self.config.get('logging.level', 'INFO'),
+            log_file=log_file,
+            format_type=self.config.get('logging.format', 'colored'),
+            max_bytes=self.config.get('logging.max_bytes', 10*1024*1024),
+            backup_count=self.config.get('logging.backup_count', 5)
+        )
+        
+        self.logger.info("=" * 80)
+        self.logger.info("初始化20分钟TMP预测器")
+        self.logger.info("=" * 80)
+        
+        # 模型参数（从配置文件加载）
+        self.seq_len = self.config.get('model.seq_len', 10)
+        self.output_size = self.config.get('model.output_size', 5)
+        self.labels_num = self.config.get('model.labels_num', 16)
+        self.feature_num = self.config.get('model.feature_num', 79)
+        self.step_size = self.config.get('model.step_size', 5)
+        self.dropout = self.config.get('model.dropout', 0)
+        self.lr = self.config.get('model.lr', 0.01)
+        self.num_heads = self.config.get('model.num_heads', 8)
+        self.hidden_size = self.config.get('model.hidden_size', 64)
+        self.batch_size = self.config.get('model.batch_size', 512)
+        self.num_layers = self.config.get('model.num_layers', 1)
+        self.random_seed = self.config.get('model.random_seed', 1314)
+        
+        # 数据处理参数
+        self.resolution = self.config.get('data.resolution', 60)
+        self.test_start_date = self.config.get('data.test_start_date', '2025-07-01')
+        self.wavelet = self.config.get('data.wavelet.type', 'db4')
+        self.level = self.config.get('data.wavelet.level', 3)
+        self.level_after = self.config.get('data.wavelet.level_after', 4)
+        self.mode = self.config.get('data.wavelet.mode', 'soft')
+        
+        # 阈值参数
+        self.uf_threshold = self.config.get('data.threshold.uf', 0.001)
+        self.ro_threshold = self.config.get('data.threshold.ro', 0.01)
+        self.flow_threshold = self.config.get('data.threshold.flow', 1.0)
+        
+        # 文件路径（相对于当前脚本目录）
+        script_dir = os.path.dirname(__file__)
+        self.model_path = os.path.join(script_dir, self.config.get('paths.model_path', '20min_model.pth'))
+        self.scaler_path = os.path.join(script_dir, self.config.get('paths.scaler_path', '20min_scaler.pkl'))
+        self.edge_index_path = os.path.join(script_dir, self.config.get('paths.edge_index_path', 'edge_index.pt'))
+        self.output_csv_path = os.path.join(script_dir, self.config.get('paths.output_csv_path', '20min_predictions.csv'))
+        
+        # 后处理参数
+        self.remove_outliers_flag = self.config.get('postprocess.remove_outliers', False)
+        self.smooth_flag = self.config.get('postprocess.smooth', False)
+        
+        # 设备配置
+        use_cuda = self.config.get('device.use_cuda', True)
+        cuda_device = self.config.get('device.cuda_device', 0)
+        
+        if use_cuda and torch.cuda.is_available():
+            self.device = torch.device(f"cuda:{cuda_device}")
+            self.logger.info(f"使用GPU设备: {self.device} ({torch.cuda.get_device_name(cuda_device)})")
+        else:
+            self.device = torch.device("cpu")
+            self.logger.info("使用CPU设备")
+        
+        # 设置随机种子
+        self.logger.info(f"设置随机种子: {self.random_seed}")
+        set_seed(self.random_seed)
+        
+        # 加载数据归一化器
+        if not os.path.exists(self.scaler_path):
+            self.logger.error(f"归一化器文件不存在: {self.scaler_path}")
+            raise FileNotFoundError(f"归一化器文件不存在: {self.scaler_path}")
+        
+        self.logger.info(f"加载数据归一化器: {self.scaler_path}")
+        self.scaler = joblib.load(self.scaler_path)
+        
+        # 初始化模型和数据加载器（后续加载）
+        self.model = None
+        self.edge_index = None
+        self.test_loader = None
+        
+        self.logger.info("预测器初始化完成")
+        self.logger.info(f"模型参数: seq_len={self.seq_len}, output_size={self.output_size}, "
+                        f"labels_num={self.labels_num}, feature_num={self.feature_num}")
+        self.logger.info(f"数据参数: resolution={self.resolution}, batch_size={self.batch_size}")
+        
+    def reorder_columns(self, df):
+        """
+        调整数据列顺序，确保与训练时的特征顺序一致
+        
+        Args:
+            df: 输入的DataFrame
+            
+        Returns:
+            DataFrame: 列顺序调整后的DataFrame
+            
+        Note:
+            - 避免因列顺序不一致导致模型输入特征错位
+            - 必须包含所有必需的特征列
+        """
+        self.logger.debug("开始重排数据列顺序")
+        desired_order = [
+            'index',
+            'C.M.FT_ZGJJY1@out','C.M.RO1_FT_JS@out','C.M.RO2_FT_JS@out','C.M.RO3_FT_JS@out',
+            'C.M.RO4_FT_JS@out','C.M.UF1_FT_JS@out','C.M.UF2_FT_JS@out','C.M.UF3_FT_JS@out',
+            'C.M.UF4_FT_JS@out','C.M.UF_FT_ZCS@out','C.M.FT_ZGJJY2@out','C.M.FT_ZGJJY3@out',
+            'C.M.FT_ZGJJY4@out','C.M.RO1_PT_JS@out','C.M.RO2_PT_JS@out','C.M.RO3_PT_JS@out',
+            'C.M.UF1_PT_JS@out','C.M.UF2_PT_JS@out','C.M.UF3_PT_JS@out','C.M.UF4_PT_JS@out',
+            'C.M.LT_JSC@out','C.M.RO1_PT_CS@out','C.M.RO1_PT_DJ2@out','C.M.RO2_PT_CS@out',
+            'C.M.RO2_PT_DJ2@out','C.M.RO3_PT_CS@out','C.M.RO3_PT_DJ2@out','C.M.RO4_PT_CS@out',
+            'C.M.RO4_PT_DJ2@out','C.M.RO4_PT_JS@out','C.M.LT_HCl@out','C.M.LT_NaClO@out',
+            'C.M.LT_PAC@out','C.M.LT_QSC@out','C.M.RO_Cond_ZCS@out','C.M.RO_TT_ZJS@out',
+            'C.M.UF1_JSF_kd@out','C.M.UF2_JSF_kd@out','C.M.UF_GSB4_fre@out','C.M.UF_ORP_ZCS@out',
+            'C.M.JYB2_ZGJ1_fre@out','C.M.JYB2_ZGJ2_fre@out','C.M.JYB2_ZGJ3_fre@out','C.M.JYB2_ZGJ4_fre@out',
+            'C.M.RO1_GYB_fre@out','C.M.RO2_GYB_fre@out','C.M.RO3_GYB_fre@out','C.M.RO4_GYB_fre@out',
+            'C.M.UF3_JSF_kd@out','C.M.UF4_JSF_kd@out','C.M.UF_FXB2_fre@out','C.M.RO1_DJB_fre@out',
+            'C.M.RO1_GYBF_kd@out','C.M.RO2_DJB_fre@out','C.M.RO2_GYBF_kd@out','C.M.RO3_DJB_fre@out',
+            'C.M.RO3_GYBF_kd@out','C.M.RO4_DJB_fre@out','C.M.RO4_GYBF_kd@out',
+            'C.M.UF1_DB@press_PV','C.M.UF2_DB@press_PV','C.M.UF3_DB@press_PV','C.M.UF4_DB@press_PV',
+            'UF1Per','UF2Per','UF3Per','UF4Per',
+            'C.M.RO1_DB@DPT_1','C.M.RO2_DB@DPT_1','C.M.RO3_DB@DPT_1','C.M.RO4_DB@DPT_1',
+            'C.M.RO1_DB@DPT_2','C.M.RO2_DB@DPT_2','C.M.RO3_DB@DPT_2','C.M.RO4_DB@DPT_2',
+        ]
+        self.logger.debug(f"原始列: {list(df.columns)}")
+        self.logger.debug(f"目标列顺序: {desired_order}")
+        return df.loc[:, desired_order]
+
+    def process_date(self, data):
+        """
+        处理日期列，生成周期性时间特征
+        
+        Args:
+            data: 输入DataFrame，必须包含'index'或'date'列
+            
+        Returns:
+            DataFrame: 包含时间特征的DataFrame
+            
+        Note:
+            - 生成分钟级正弦/余弦特征（捕捉每日周期性模式）
+            - 生成年中日正弦/余弦特征（捕捉年度周期性模式）
+            - 使用三角函数编码确保时间连续性（避免边界突变）
+        """
+        self.logger.debug("开始处理日期特征")
+        if 'index' in data.columns:
+            data = data.rename(columns={'index': 'date'})
+        data['date'] = pd.to_datetime(data['date'])
+        data['minute_of_day'] = data['date'].dt.hour * 60 + data['date'].dt.minute
+        data['day_of_year'] = data['date'].dt.dayofyear
+        
+        # 周期性编码（将时间转换为正弦/余弦值，确保周期性连续）
+        data['minute_sin'] = np.sin(2 * np.pi * data['minute_of_day'] / 1440)  # 分钟正弦特征
+        data['minute_cos'] = np.cos(2 * np.pi * data['minute_of_day'] / 1440)  # 分钟余弦特征
+        data['day_year_sin'] = np.sin(2 * np.pi * data['day_of_year'] / 366)   # 年中日正弦特征
+        data['day_year_cos'] = np.cos(2 * np.pi * data['day_of_year'] / 366)   # 年中日余弦特征
+        # 移除原始时间列（仅保留编码后的特征）
+        data.drop(columns=['minute_of_day', 'day_of_year'], inplace=True)
+        
+        # 调整列顺序：日期 + 时间特征 + 其他特征
+        time_features = ['minute_sin', 'minute_cos', 'day_year_sin', 'day_year_cos']
+        other_columns = [col for col in data.columns if col not in ['date'] + time_features]
+        self.logger.debug(f"生成时间特征: {time_features}")
+        return data[['date'] + time_features + other_columns]
+
+    def scaler_data(self, data):
+        """
+        对数据进行归一化处理
+        
+        Args:
+            data: 输入DataFrame
+            
+        Returns:
+            DataFrame: 归一化后的DataFrame
+            
+        Note:
+            - 使用训练时保存的scaler进行归一化
+            - 保持与训练数据的归一化方式一致（MinMax 0-1缩放）
+            - 日期列不参与归一化
+        """
+        self.logger.debug("开始数据归一化")
+        date_col = data[['date']]
+        data_to_scale = data.drop(columns=['date'])
+        scaled = self.scaler.transform(data_to_scale)
+        scaled_df = pd.DataFrame(scaled, columns=data_to_scale.columns)
+        # 拼接日期列和归一化后的特征列
+        result = pd.concat([date_col.reset_index(drop=True), scaled_df], axis=1)
+        self.logger.debug(f"归一化完成，数据形状: {result.shape}")
+        return result
+    
+    def remove_outliers(self, predictions):
+        """
+        使用四分位法处理预测结果中的异常值
+        
+        Args:
+            predictions: numpy数组，形状为[时间步, 标签数]
+            
+        Returns:
+            numpy数组: 处理异常值后的预测结果
+            
+        Note:
+            - 异常值定义：小于Q1-1.5*IQR或大于Q3+1.5*IQR的值
+            - 异常值替换为正常值的平均值（避免极端值影响结果）
+            - 按列（每个指标）独立处理
+        """
+        self.logger.info("开始移除异常值（四分位法）")
+        cleaned = predictions.copy()
+        # 遍历每个特征列（16个标签）
+        for col in range(cleaned.shape[1]):
+            values = cleaned[:, col]
+            # 计算四分位数
+            q1 = np.percentile(values, 25)
+            q3 = np.percentile(values, 75)
+            iqr = q3 - q1
+            # 异常值边界
+            lower_bound = q1 - 1.5 * iqr
+            upper_bound = q3 + 1.5 * iqr
+            # 筛选正常值
+            normal_values = values[(values >= lower_bound) & (values <= upper_bound)]
+            # 用正常值的平均值替换异常值
+            if len(normal_values) > 0:
+                mean_normal = np.mean(normal_values)
+                outlier_count = np.sum((values < lower_bound) | (values > upper_bound))
+                if outlier_count > 0:
+                    self.logger.debug(f"列{col}: 检测到{outlier_count}个异常值，替换为均值{mean_normal:.4f}")
+                cleaned[(values < lower_bound) | (values > upper_bound), col] = mean_normal
+        self.logger.info("异常值处理完成")
+        return cleaned
+    
+    def smooth_predictions(self, predictions):
+        """
+        对预测结果进行加权平滑处理
+        
+        Args:
+            predictions: numpy数组，形状为[时间步, 标签数]
+            
+        Returns:
+            numpy数组: 平滑后的预测结果
+            
+        Note:
+            - 采用滑动窗口加权平均减少预测波动
+            - 中间值权重为2，前后邻居权重为1
+            - 边缘值特殊处理（避免过度平滑）
+        """
+        self.logger.info("开始平滑预测结果")
+        smoothed = predictions.copy()
+        n_timesteps = predictions.shape[0]
+        if n_timesteps <= 1:
+            return smoothed
+        
+        # 遍历每个特征列
+        for col in range(predictions.shape[1]):
+            values = predictions[:, col]
+            # 第一个值：加权前两个值（避免边缘过度平滑）
+            smoothed[0, col] = (2 * values[0] + values[1]) / 3
+            # 中间值：加权前后邻居（核心平滑）
+            for i in range(1, n_timesteps - 1):
+                smoothed[i, col] = (values[i-1] + 2 * values[i] + values[i+1]) / 4
+            # 最后一个值：加权最后两个值（避免边缘过度平滑）
+            smoothed[-1, col] = (values[-2] + 2 * values[-1]) / 3
+        self.logger.info("预测结果平滑完成")
+        return smoothed
+
+    def create_test_loader(self, df):
+        """
+        构建测试数据加载器
+        
+        Args:
+            df: 预处理后的DataFrame
+            
+        Returns:
+            DataLoader: PyTorch数据加载器
+            
+        Note:
+            - 将原始时间序列数据转换为模型输入格式
+            - 构建滑动窗口序列：[样本数, 序列长度, 特征数]
+            - 确保有足够的历史数据构建输入序列
+        """
+        self.logger.info("创建测试数据加载器")
+        df['date'] = pd.to_datetime(df['date'])
+        # 计算时间间隔（根据分辨率，单位：分钟）
+        time_interval = pd.Timedelta(minutes=(4 * self.resolution / 60))
+        # 计算窗口时间跨度（确保能覆盖输入序列长度+预测步长）
+        window_time_span = time_interval * (self.seq_len + 20)
+        # 调整测试集起始时间（确保有足够的历史数据构建输入序列）
+        adjusted_test_start = pd.to_datetime(self.test_start_date) - window_time_span
+        # 筛选所需的历史数据
+        test_df = df[df['date'] >= adjusted_test_start].reset_index(drop=True)
+
+        test_df = test_df.drop(columns=['date'])
+
+        # 构建监督学习数据集（输入序列+目标序列的占位）
+        feature_columns = test_df.columns.tolist()
+        cols = []
+        
+        # 构建输入序列（历史seq_len个时间步的特征）
+        for col in feature_columns:
+            for i in range(self.seq_len - 1, -1, -1):
+                cols.append(test_df[[col]].shift(i))   # 滞后i步的特征（t-0到t-(seq_len-1)）
+                
+        # 构建目标序列占位（未来output_size个时间步的标签，预测时不使用真实值）
+        for i in range(1, self.output_size + 1):
+            for col in feature_columns[-self.labels_num:]:
+                cols.append(test_df[[col]].shift(-i))    # 超前i步的标签（t+1到t+output_size）
+                
+        # 合并列并按步长采样，最后取最后一行作为预测输入（最新的历史数据）
+        dataset = pd.concat(cols, axis=1).iloc[::self.step_size]
+        dataset = dataset.iloc[[-1]]
+    
+        # 提取输入特征（前n_features_total列）
+        n_features_total = self.feature_num * self.seq_len
+        supervised_data = dataset.iloc[:, :n_features_total]
+
+        # 转换为模型输入格式：[样本数, 序列长度, 特征数]
+        X = supervised_data.values.reshape(-1, self.seq_len, self.feature_num)
+        X = torch.tensor(X, dtype=torch.float32).to(self.device)
+        tensor_dataset = TensorDataset(X)
+        loader = DataLoader(tensor_dataset, batch_size=self.batch_size, shuffle=False)
+        
+        self.logger.info(f"测试数据加载器创建完成，输入形状: {X.shape}")
+        return loader
+
+    @log_execution_time
+    def load_data(self, df):
+        """
+        数据加载和预处理主流程
+        
+        Args:
+            df: 原始输入DataFrame
+            
+        Note:
+            - 重排列特征列顺序
+            - 下采样（根据resolution参数）
+            - 日期特征工程
+            - 数据归一化
+            - 创建测试数据加载器
+            - 加载图结构边索引
+        """
+        self.logger.info("开始加载和预处理数据")
+        self.logger.info(f"原始数据形状: {df.shape}")
+        
+        df = self.reorder_columns(df)
+        self.logger.info(f"下采样率: {self.resolution}")
+        df = df.iloc[::self.resolution, :].reset_index(drop=True)
+        self.logger.info(f"下采样后数据形状: {df.shape}")
+        
+        df = self.process_date(df)
+        df = self.scaler_data(df)
+        self.test_loader = self.create_test_loader(df)
+        
+        if not os.path.exists(self.edge_index_path):
+            self.logger.error(f"图边索引文件不存在: {self.edge_index_path}")
+            raise FileNotFoundError(f"图边索引文件不存在: {self.edge_index_path}")
+        
+        self.logger.info(f"加载图边索引: {self.edge_index_path}")
+        self.edge_index = torch.load(self.edge_index_path, map_location=self.device, weights_only=True)
+        self.logger.info("数据加载和预处理完成")
+
+    @log_execution_time
+    def load_model(self):
+        """
+        加载模型结构和预训练权重
+        
+        Raises:
+            FileNotFoundError: 模型文件不存在
+            
+        Note:
+            - 实例化GAT-LSTM模型
+            - 加载预训练权重
+            - 设置为评估模式（关闭dropout和batch normalization）
+            - 设置图结构边索引
+        """
+        if not os.path.exists(self.model_path):
+            self.logger.error(f"模型文件不存在: {self.model_path}")
+            raise FileNotFoundError(f"模型文件不存在: {self.model_path}")
+        
+        self.logger.info("开始加载模型")
+        self.logger.info(f"模型路径: {self.model_path}")
+        
+        self.model = GAT_LSTM(self).to(self.device)
+        
+        if self.edge_index is not None:
+            self.logger.debug(f"设置图边索引，形状: {self.edge_index.shape}")
+            self.model.set_edge_index(self.edge_index.to(self.device))
+        
+        self.model.load_state_dict(torch.load(self.model_path, map_location=self.device, weights_only=True))
+        self.model.eval()
+        
+        # 统计模型参数量
+        total_params = sum(p.numel() for p in self.model.parameters())
+        trainable_params = sum(p.numel() for p in self.model.parameters() if p.requires_grad)
+        self.logger.info(f"模型加载完成 - 总参数量: {total_params:,}, 可训练参数量: {trainable_params:,}")
+
+    @log_execution_time
+    def predict(self, df):
+        """
+        执行预测主流程
+        
+        Args:
+            df: 原始输入DataFrame，必须包含'index'列（时间戳）
+            
+        Returns:
+            numpy数组: 反归一化后的预测结果，形状为[output_size, labels_num]
+            
+        Note:
+            - 自动更新测试起始时间为输入数据最新时间+4分钟
+            - 执行数据预处理
+            - 加载模型
+            - 执行批量预测
+            - 反归一化预测结果
+            - 可选的异常值处理和平滑
+        """
+        self.logger.info("=" * 80)
+        self.logger.info("开始预测流程")
+        self.logger.info("=" * 80)
+        
+        # 更新测试起始时间为输入数据最新时间+4分钟（预测起始点）
+        latest_time = pd.to_datetime(df['index']).max()
+        self.test_start_date = (latest_time + timedelta(minutes=4)).strftime("%Y-%m-%d %H:%M:%S")
+        self.logger.info(f"输入数据最新时间: {latest_time}")
+        self.logger.info(f"预测起始时间: {self.test_start_date}")
+        
+        # 加载和预处理数据
+        self.load_data(df)
+        
+        # 加载模型
+        self.load_model()
+
+        # 执行预测
+        self.logger.info("开始模型推理")
+        all_predictions = []
+        with torch.no_grad():
+            for batch_idx, batch in enumerate(self.test_loader):
+                inputs = batch[0].to(self.device)
+                outputs = self.model(inputs)
+                all_predictions.append(outputs.cpu().numpy())
+                self.logger.debug(f"批次 {batch_idx + 1} 推理完成，输入形状: {inputs.shape}, 输出形状: {outputs.shape}")
+        
+        # 拼接所有批次的预测结果，并重塑为[时间步, 标签数]
+        predictions = np.concatenate(all_predictions, axis=0).reshape(-1, self.labels_num)
+        self.logger.info(f"模型推理完成，预测结果形状: {predictions.shape}")
+        
+        # 反归一化（仅对标签列，使用训练时的scaler参数）
+        self.logger.info("开始反归一化预测结果")
+        from sklearn.preprocessing import MinMaxScaler
+        inverse_scaler = MinMaxScaler()
+        inverse_scaler.min_ = self.scaler.min_[-self.labels_num:]
+        inverse_scaler.scale_ = self.scaler.scale_[-self.labels_num:]
+        predictions = inverse_scaler.inverse_transform(predictions)
+        self.logger.info("反归一化完成")
+        
+        # 可选：异常值处理和平滑（根据配置文件决定是否启用）
+        if self.remove_outliers_flag:
+            predictions = self.remove_outliers(predictions)
+        
+        if self.smooth_flag:
+            predictions = self.smooth_predictions(predictions)
+        
+        self.logger.info(f"预测流程完成，最终预测结果形状: {predictions.shape}")
+        self.logger.info(f"预测值范围: min={predictions.min():.4f}, max={predictions.max():.4f}, mean={predictions.mean():.4f}")
+        
+        return predictions
+
+    def save_predictions(self, predictions):
+        """
+        保存预测结果为CSV文件
+        
+        Args:
+            predictions: 反归一化后的预测结果（numpy数组）
+            
+        Note:
+            - 生成时间戳序列
+            - 添加列名
+            - 保存为CSV格式
+        """
+        self.logger.info("开始保存预测结果")
+        start_time = datetime.strptime(self.test_start_date, "%Y-%m-%d %H:%M:%S")
+        time_interval = timedelta(minutes=(4 * self.resolution / 60))
+        timestamps = [start_time + i * time_interval for i in range(len(predictions))]
+
+        # 定义16个预测目标的原始列名
+        base_columns = [
+            'C.M.UF1_DB@press_PV', 'C.M.UF2_DB@press_PV', 'C.M.UF3_DB@press_PV', 'C.M.UF4_DB@press_PV',
+            'UF1Per','UF2Per','UF3Per','UF4Per',
+            'C.M.RO1_DB@DPT_1', 'C.M.RO2_DB@DPT_1', 'C.M.RO3_DB@DPT_1', 'C.M.RO4_DB@DPT_1',
+            'C.M.RO1_DB@DPT_2', 'C.M.RO2_DB@DPT_2', 'C.M.RO3_DB@DPT_2', 'C.M.RO4_DB@DPT_2',
+        ]
+
+        column_names = [
+            'C.M.UF1_DB@press_PV', 'C.M.UF2_DB@press_PV', 'C.M.UF3_DB@press_PV', 'C.M.UF4_DB@press_PV',
+            'C.M.RO1_DB@DPT_1', 'C.M.RO2_DB@DPT_1', 'C.M.RO3_DB@DPT_1', 'C.M.RO4_DB@DPT_1',
+            'C.M.RO1_DB@DPT_2', 'C.M.RO2_DB@DPT_2', 'C.M.RO3_DB@DPT_2', 'C.M.RO4_DB@DPT_2',
+            'RO1_CSFlow', 'RO2_CSFlow', 'RO3_CSFlow', 'RO4_CSFlow']
+
+
+        pred_columns = [f'{col}_Predicted' for col in base_columns]
+        df_result = pd.DataFrame(predictions, columns=pred_columns)
+        df_result.insert(0, 'date', timestamps)
+        df_result.to_csv(self.output_csv_path, index=False)
+        
+        self.logger.info(f"预测结果已保存至: {self.output_csv_path}")
+        self.logger.info(f"预测时间范围: {timestamps[0]} 至 {timestamps[-1]}")
+        self.logger.info(f"预测记录数: {len(predictions)}")
+
+if __name__ == '__main__':
+    """
+    主函数：执行20分钟TMP预测
+    
+    使用方法：
+        1. 准备输入数据（JSON格式）
+        2. 运行此脚本
+        3. 查看预测结果（保存在20min_predictions.csv）
+        
+    输入数据格式：
+        - JSON文件，包含历史时间序列数据
+        - 必须包含'index'列（时间戳）和所有必需的特征列
+    """
+    import json
+    import os
+    import pandas as pd
+    from datetime import timedelta
+    
+    try:
+        # 初始化预测器（自动加载配置文件）
+        predictor = Predictor()
+        
+        # 读取JSON文件作为输入数据
+        json_file_path = '/Users/wmy/Downloads/pp.json'  # pp.json文件路径，可根据实际位置修改
+        
+        if not os.path.exists(json_file_path):
+            predictor.logger.error(f"输入文件不存在: {json_file_path}")
+            raise FileNotFoundError(f"未找到文件: {json_file_path}")
+        
+        predictor.logger.info(f"读取输入文件: {json_file_path}")
+        
+        # 解析JSON并转换为DataFrame
+        with open(json_file_path, 'r', encoding='utf-8') as f:
+            json_data = json.load(f)
+            df = pd.DataFrame(json_data)
+            predictor.logger.info(f"成功读取输入数据，数据形状: {df.shape}")
+
+        # 执行预测并保存结果
+        predictions = predictor.predict(df)
+        predictor.save_predictions(predictions)
+        
+        predictor.logger.info("=" * 80)
+        predictor.logger.info("预测任务全部完成！")
+        predictor.logger.info("=" * 80)
+        
+    except Exception as e:
+        if 'predictor' in locals():
+            predictor.logger.error(f"预测过程发生错误: {str(e)}", exc_info=True)
+        else:
+            print(f"初始化预测器时发生错误: {str(e)}")
+        raise
+    
+    

models/pressure-predictor/gat-lstm_model/90d_predict.py

@@ -0,0 +1,254 @@
+import os
+import torch
+import pandas as pd
+import numpy as np
+import joblib
+from datetime import datetime, timedelta
+from torch.utils.data import DataLoader, TensorDataset
+from gat_lstm import GAT_LSTM    # 导入自定义的GAT-LSTM模型
+from scipy.signal import savgol_filter    # Savitzky-Golay滤波工具
+from sklearn.preprocessing import MinMaxScaler    # 数据标准化工具
+
+def set_seed(seed):
+    """设置随机种子，保证实验可复现性"""
+    import random
+    random.seed(seed)
+    os.environ['PYTHONHASHSEED'] = str(seed)
+    np.random.seed(seed)
+    torch.manual_seed(seed)
+    torch.cuda.manual_seed(seed)
+    torch.cuda.manual_seed_all(seed)
+    torch.backends.cudnn.deterministic = True 
+    torch.backends.cudnn.benchmark = False
+
+class Predictor:
+    """预测器类，封装了数据处理、模型加载、预测和结果保存的完整流程"""
+    def __init__(self):
+        # 模型和数据相关参数
+        self.seq_len = 360  # 输入序列长度
+        self.output_size = 180  # 预测输出长度
+        self.labels_num = 8  # 预测目标特征数量
+        self.feature_num = 16  # 输入特征总数量
+        self.step_size = 180  # 滑动窗口步长
+        self.dropout = 0  # 模型dropout参数
+        self.lr = 0.01  # 学习率
+        self.hidden_size = 64  # LSTM隐藏层大小
+        self.batch_size = 128  # 批处理大小
+        self.num_layers = 1  # LSTM层数
+        self.resolution = 5400  # 数据时间分辨率（单位：秒）
+        self.test_start_date = '2025-09-24'  # 预测起始日期（动态更新）
+        self.device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")
+        self.model_path = '90day_model.pth'  # 模型权重路径（可外部修改）
+        self.output_csv_path = '90day_predictions.csv'  # 结果保存路径（可外部修改）
+        self.random_seed = 1314  # 随机种子
+
+        # 预测结果平滑参数
+        self.smooth_window = 30    # 滑动平均窗口大小
+        self.ema_alpha = 0.1    # 指数移动平均系数（权重）
+        self.use_savitzky = True    # 是否使用Savitzky-Golay滤波
+        self.sg_window = 25    # Savitzky-Golay窗口大小
+        self.sg_polyorder = 2    # Savitzky-Golay多项式阶数
+
+        # 初始化设置
+        set_seed(self.random_seed)    # 设置随机种子
+        self.scaler = joblib.load('90day_scaler.pkl')  # 加载标准化器（确保文件存在）
+        self.model = None
+        self.edge_index = None
+        self.test_loader = None
+        
+    def reorder_columns(self, df):
+        """
+        调整DataFrame列顺序，确保与模型训练时的特征顺序一致
+        （特征顺序对模型输入至关重要，必须与训练时保持一致）
+        """
+        desired_order = [
+            'index',  # 时间索引列
+            'C.M.RO1_FT_JS@out','C.M.RO2_FT_JS@out','C.M.RO3_FT_JS@out','C.M.RO4_FT_JS@out',
+            'C.M.RO_TT_ZJS@out','C.M.RO_Cond_ZJS@out',
+            'C.M.RO1_DB@DPT_1','C.M.RO1_DB@DPT_2',
+            'C.M.RO2_DB@DPT_1','C.M.RO2_DB@DPT_2',
+            'C.M.RO3_DB@DPT_1','C.M.RO3_DB@DPT_2',
+            'C.M.RO4_DB@DPT_1','C.M.RO4_DB@DPT_2',
+        ]
+        return df.loc[:, desired_order]
+
+    def process_date(self, data):
+        """
+        处理日期特征，生成周期性时间编码（年周期）
+        将时间特征转换为正弦/余弦编码，捕捉周期性规律（如季节变化）
+        """
+        if 'index' in data.columns:
+            data = data.rename(columns={'index': 'date'})
+        data['date'] = pd.to_datetime(data['date'])
+        data['day_of_year'] = data['date'].dt.dayofyear
+        # 生成正弦/余弦编码（周期为366天，适应闰年）
+        data['day_year_sin'] = np.sin(2 * np.pi * data['day_of_year'] / 366)
+        data['day_year_cos'] = np.cos(2 * np.pi * data['day_of_year'] / 366)
+        data.drop(columns=['day_of_year'], inplace=True)
+        
+        # 调整列顺序：日期 + 时间特征 + 其他特征
+        time_features = ['day_year_sin', 'day_year_cos']
+        other_columns = [col for col in data.columns if col not in ['date'] + time_features]
+        return data[['date'] + time_features + other_columns]
+
+    def scaler_data(self, data):
+        """
+        使用预训练的标准化器对数据进行标准化（保留date列不处理）
+        标准化是为了让不同量级的特征在模型中权重均衡
+        """
+        date_col = data[['date']]    # 提取日期列（不参与标准化）
+        data_to_scale = data.drop(columns=['date'])
+        scaled = self.scaler.transform(data_to_scale)
+        scaled_df = pd.DataFrame(scaled, columns=data_to_scale.columns)
+        return pd.concat([date_col.reset_index(drop=True), scaled_df], axis=1)   # 拼接日期列和标准化后的数据
+
+    def create_test_loader(self, df):
+        """
+        将预处理后的DataFrame转换为模型输入的测试数据加载器
+        生成符合模型要求的张量格式（[样本数, 序列长度, 特征数]）
+        """
+        if 'date' in df.columns:
+            test_data = df.drop(columns=['date']).values
+        else:
+            test_data = df.values
+
+        # 重塑为LSTM输入格式：[样本数, 序列长度, 特征数]
+        X = test_data.reshape(-1, self.seq_len, self.feature_num)
+        X = torch.tensor(X, dtype=torch.float32).to(self.device)
+        tensor_dataset = TensorDataset(X)  # 创建数据集（仅输入，无标签）
+        
+        # 创建数据加载器（不打乱顺序，按批次加载）
+        return DataLoader(tensor_dataset, batch_size=self.batch_size, shuffle=False)
+    
+    def load_data(self, df):
+        """数据加载与预处理统一接口，依次执行列重排、日期处理、标准化和生成数据加载器"""
+        df = self.reorder_columns(df)    # 调整列顺序
+        df = self.process_date(df)    # 处理日期特征
+        df = self.scaler_data(df)    # 标准化数据
+        self.test_loader = self.create_test_loader(df)
+
+    def load_model(self):
+        """加载预训练模型并设置为评估模式（关闭dropout等训练特有层）"""
+        self.model = GAT_LSTM(self).to(self.device)
+        # 加载模型权重（map_location确保在指定设备加载，weights_only=True提高安全性）
+        self.model.load_state_dict(torch.load(self.model_path, map_location=self.device, weights_only=True))
+        self.model.eval()
+
+    def moving_average_smooth(self, data):
+        """
+        滑动平均平滑处理：对每个特征单独做滑动平均，减少高频噪声
+        采用边缘填充避免边界效应
+        """
+        smoothed = []
+        for i in range(data.shape[1]):
+            feature = data[:, i]
+            
+            # 边缘填充：用边缘值填充窗口外的部分，避免边界数据失真
+            padded = np.pad(feature, (self.smooth_window//2, self.smooth_window//2), mode='edge')
+            window = np.ones(self.smooth_window) / self.smooth_window    # 平均窗口权重
+            smoothed_feature = np.convolve(padded, window, mode='valid')    # 卷积计算滑动平均
+            smoothed.append(smoothed_feature.reshape(-1, 1))    # 保留维度并收集结果
+        return np.concatenate(smoothed, axis=1)    # 拼接所有特征
+
+    def exponential_smooth(self, data):
+        """
+        指数移动平均平滑：对每个特征做指数加权平均，近期数据权重更高
+        相比简单滑动平均更关注近期趋势
+        """
+        smoothed = []
+        for i in range(data.shape[1]):   # 遍历每个特征
+            feature = data[:, i]
+            smoothed_feature = np.zeros_like(feature)
+            smoothed_feature[0] = feature[0]
+            for t in range(1, len(feature)):
+                smoothed_feature[t] = self.ema_alpha * feature[t] + (1 - self.ema_alpha) * smoothed_feature[t-1]
+            smoothed.append(smoothed_feature.reshape(-1, 1))
+        return np.concatenate(smoothed, axis=1)
+
+    def savitzky_golay_smooth(self, data):
+        """
+        Savitzky-Golay滤波：基于多项式拟合的滑动窗口滤波，保留趋势的同时降噪
+        窗口大小需为奇数，若数据长度不足则调整窗口
+        """
+        smoothed = []
+        for i in range(data.shape[1]):
+            feature = data[:, i]
+            # 确保窗口为奇数且不超过数据长度
+            window = min(self.sg_window, len(feature) if len(feature) % 2 == 1 else len(feature)-1)
+            if window < 3:    # 窗口过小则不滤波（至少需要3个点拟合2阶多项式）
+                smoothed.append(feature.reshape(-1, 1))
+                continue
+            # 应用Savitzky-Golay滤波
+            smoothed_feature = savgol_filter(feature, window_length=window, polyorder=self.sg_polyorder)
+            smoothed.append(smoothed_feature.reshape(-1, 1))
+        return np.concatenate(smoothed, axis=1)
+
+    def smooth_predictions(self, predictions):
+        """
+        组合多步平滑策略处理预测结果：先滑动平均，再指数平滑，最后可选Savitzky-Golay滤波
+        多层平滑进一步降低噪声，使预测曲线更平滑
+        """
+        smoothed = self.moving_average_smooth(predictions)
+        smoothed = self.exponential_smooth(smoothed)
+        if self.use_savitzky and len(predictions) >= self.sg_window:
+            smoothed = self.savitzky_golay_smooth(smoothed)
+        return smoothed
+
+    def predict(self, df):
+        """
+        核心预测接口：输入原始数据，返回处理后的预测结果
+        流程：更新起始时间 -> 数据预处理 -> 加载模型 -> 批量预测 -> 反标准化 -> 平滑处理
+        """
+        # 预测起始时间为输入数据的最大时间+3小时（根据业务需求设定）
+        self.test_start_date = (pd.to_datetime(df['index']).max() + timedelta(hours=3)).strftime("%Y-%m-%d %H:%M:%S")
+        self.load_data(df)
+        self.load_model()
+
+        all_predictions = []
+        with torch.no_grad():
+            for batch in self.test_loader:
+                inputs = batch[0].to(self.device)
+                outputs = self.model(inputs)
+                all_predictions.append(outputs.cpu().numpy())   # 结果移回CPU并转为numpy
+        
+        # 拼接所有批次结果并重塑为[样本数, 目标特征数]
+        predictions = np.concatenate(all_predictions, axis=0).reshape(-1, self.labels_num)
+        
+        # 反标准化处理
+        inverse_scaler = MinMaxScaler()
+        
+        # 复用训练时的标准化参数（仅使用目标特征对应的参数）
+        inverse_scaler.min_ = self.scaler.min_[-self.labels_num:]
+        inverse_scaler.scale_ = self.scaler.scale_[-self.labels_num:]
+        predictions = inverse_scaler.inverse_transform(predictions)
+        predictions = np.clip(predictions, 0, None)
+        
+        # 平滑处理
+        predictions = self.smooth_predictions(predictions)
+        
+        return predictions
+
+    def save_predictions(self, predictions):
+        """
+        保存预测结果到CSV文件，包含时间戳和各目标特征的预测值
+        时间戳根据起始时间和数据分辨率生成
+        """
+        # 解析预测起始时间
+        start_time = datetime.strptime(self.test_start_date, "%Y-%m-%d %H:%M:%S")
+        # 计算时间间隔（根据分辨率转换为小时）
+        time_interval = pd.Timedelta(hours=(self.resolution / 60))
+        # 生成所有预测时间戳
+        timestamps = [start_time + i * time_interval for i in range(len(predictions))]
+        
+        # 定义目标特征列名（与训练时一致）
+        base_columns = [
+            '1', 'C.M.RO2_DB@DPT_1', 'C.M.RO3_DB@DPT_1', 'C.M.RO4_DB@DPT_1',
+            'C.M.RO1_DB@DPT_2', 'C.M.RO2_DB@DPT_2', 'C.M.RO3_DB@DPT_2', 'C.M.RO4_DB@DPT_2',
+        ]
+        pred_columns = [f'{col}_pred' for col in base_columns]
+        df_result = pd.DataFrame(predictions, columns=pred_columns)
+        df_result.insert(0, 'date', timestamps)
+        df_result.to_csv(self.output_csv_path, index=False)
+        print(f"预测结果保存至：{self.output_csv_path}")
+        
+        

models/pressure-predictor/gat-lstm_model/args.py

@@ -0,0 +1,59 @@
+# args.py
+import argparse
+
+def lstm_args_parser():
+    parser = argparse.ArgumentParser(description="LSTM模型训练参数")
+    
+    # 数据集划分
+    parser.add_argument('--train_start_date', type=str, default='2024-02-23', help='训练集开始日期')
+    parser.add_argument('--train_end_date', type=str, default='2025-10-20', help='训练集结束日期')
+    parser.add_argument('--val_start_date', type=str, default='2024-02-23', help='验证集开始日期')
+    parser.add_argument('--val_end_date', type=str, default='2025-10-20', help='验证集结束日期')
+    parser.add_argument('--test_start_date', type=str, default='2024-02-23', help='测试集开始日期')
+    parser.add_argument('--test_end_date', type=str, default='2025-10-20', help='测试集结束日期')
+
+    # 模型相关参数
+    # 预测20分钟（模型一）和预测90天（模型二）需要改变的参数
+    parser.add_argument('--seq_len', type=int, default=360, help='输入序列的长度（输入步长）, 模型一为10, 模型二为1440')
+    parser.add_argument('--output_size', type=int, default=180, help='输出数据的维度（预测步长）, 模型一为5, 模型二为720')
+    parser.add_argument('--step_size', type=int, default=180, help='输入数据间隔，模型一为5, 模型二为720')
+    parser.add_argument('--resolution', type=int, default=5400, help='输入数据分辨率（每多少个数据取一次）, 模型一为60, 模型二为2700')
+    parser.add_argument('--feature_num', type=int, default=16, help='特征维度, 模型一为79，模型二为16')
+    parser.add_argument('--labels_num', type=int, default=8, help='标签维度（子模型数量）, 模型一为16，模型二为8')
+    
+    # 通用参数
+    parser.add_argument('--epochs', type=int, default=1000, help='训练轮数')
+    parser.add_argument('--hidden_size', type=int, default=64, help='隐藏层大小')
+    parser.add_argument('--num_layers', type=int, default=1, help='LSTM层数')
+    parser.add_argument('--dropout', type=float, default=0, help='dropout的概率')
+    parser.add_argument('--lr', type=float, default=0.01, help='学习率')
+    parser.add_argument('--batch_size', type=int, default=1024, help='批次大小')
+    
+    # 学习率调度器
+    parser.add_argument('--scheduler_step_size', type=int, default=100, help='学习率调整步长')
+    parser.add_argument('--scheduler_gamma', type=float, default=0.9, help='学习率衰减率')
+    
+    # 早停
+    parser.add_argument('--patience', type=int, default=500, help='早停耐心值')
+    parser.add_argument('--min_delta', type=float, default=1e-10, help='最小改善阈值')
+    
+    # 设备选择
+    parser.add_argument('--device', type=int, default=2, help='选择使用的GPU设备')
+
+    # 数据处理相关参数
+    parser.add_argument('--start_files', type=int, default=1, help='开始文件索引')
+    parser.add_argument('--end_files', type=int, default=53, help='结束文件索引')
+    parser.add_argument('--data_dir', type=str, default='datasets_xishan', help='数据文件夹路径')
+    parser.add_argument('--file_pattern', type=str, default='data_process_{}.csv', help='数据文件命名模式')
+    
+    # 模型保存路径
+    parser.add_argument('--model_path', type=str, default='90day_model.pth', help='模型保存路径')
+    parser.add_argument('--scaler_path', type=str, default='90day_scaler.pkl', help='归一化器路径')
+    parser.add_argument('--output_csv_path', type=str, default='90day_predictions.csv', help='预测文件保存路径')
+    
+    # 随机种子
+    parser.add_argument('--random_seed', type=int, default=1314, help='随机种子')
+
+    args = parser.parse_args()
+    
+    return args

models/pressure-predictor/gat-lstm_model/data_preprocessor.py

@@ -0,0 +1,308 @@
+# data_preprocessor.py
+import os
+import torch
+import joblib
+import numpy as np
+import pandas as pd
+from tqdm import tqdm    # 进度条显示
+from sklearn.preprocessing import MinMaxScaler    # 数据归一化工具
+from torch.utils.data import DataLoader, TensorDataset    # PyTorch数据加载工具
+from concurrent.futures import ThreadPoolExecutor    # 多线程读取文件
+
+class DataPreprocessor:
+    """数据预处理类，负责数据加载、划分、转换为模型可输入的格式"""
+    
+    @staticmethod
+    def load_and_process_data(args, data):
+        
+        """
+        加载并处理数据，划分训练/验证/测试集，创建数据加载器
+        参数：
+            args: 配置参数（包含数据集划分日期、序列长度等）
+            data: 预处理后的完整数据（含日期列）
+        返回：
+            train_loader: 训练集数据加载器
+            val_loader: 验证集数据加载器
+            test_loader: 测试集数据加载器
+            data: 原始数据（用于后续处理）
+        """
+        
+        # 处理日期列
+        data['date'] = pd.to_datetime(data['date'])
+        time_interval = pd.Timedelta(minutes=(4 * args.resolution / 60))
+        window_time_span = time_interval * (args.seq_len + 1)
+
+        # 划分训练/验证/测试集（调整起始日期以适应滑动窗口）
+        val_start_date = pd.to_datetime(args.val_start_date)
+        test_start_date = pd.to_datetime(args.test_start_date)
+        
+        # 调整验证集/测试集起始时间（向前推一个窗口，确保有足够历史数据构建输入序列）
+        adjusted_val_start = val_start_date - window_time_span
+        adjusted_test_start = test_start_date - window_time_span
+        
+        # 构建数据集掩码（按日期筛选）
+        train_mask = (data['date'] >= pd.to_datetime(args.train_start_date)) & \
+                     (data['date'] <= pd.to_datetime(args.train_end_date))
+
+        val_mask = (data['date'] >= adjusted_val_start) & \
+                   (data['date'] <= pd.to_datetime(args.val_end_date))
+
+        test_mask = (data['date'] >= adjusted_test_start) & \
+                    (data['date'] <= pd.to_datetime(args.test_end_date))
+
+        # 筛选数据并重置索引
+        train_data = data[train_mask].reset_index(drop=True)
+        val_data = data[val_mask].reset_index(drop=True)
+        test_data = data[test_mask].reset_index(drop=True)
+        
+        # 移除日期列用于建模
+        train_data = train_data.drop(columns=['date'])
+        val_data = val_data.drop(columns=['date'])
+        test_data = test_data.drop(columns=['date'])
+    
+        # 创建监督学习数据集（输入序列+目标序列）
+        train_supervised = DataPreprocessor.create_supervised_dataset(
+            args,
+            train_data,
+            1
+        )
+        
+        val_supervised = DataPreprocessor.create_supervised_dataset(
+            args,
+            val_data,
+            1
+        )
+        
+        test_supervised = DataPreprocessor.create_supervised_dataset(
+            args,
+            test_data,
+            args.step_size
+        )
+        
+        # 转换为DataLoader
+        train_loader = DataPreprocessor.load_data(
+            args, 
+            train_supervised,
+            shuffle=True
+        )
+        
+        val_loader = DataPreprocessor.load_data(
+            args, 
+            val_supervised,
+            shuffle=False
+        )
+        
+        test_loader = DataPreprocessor.load_data(
+            args, 
+            test_supervised,
+            shuffle=False
+        )
+        
+        return train_loader, val_loader, test_loader, data  # 返回原始数据用于后续处理
+    
+    @staticmethod
+    def read_and_combine_csv_files(args):
+        """
+        多线程读取并合并多个CSV文件，进行下采样、日期处理和归一化
+        参数：
+            args: 配置参数（包含数据路径、文件范围等）
+        返回：
+            chunk: 预处理后的合并数据（含日期和归一化特征）
+        """
+        current_dir = os.path.dirname(__file__)
+        parent_dir = os.path.dirname(current_dir)
+        args.data_dir = os.path.join(parent_dir, args.data_dir)
+        
+        def read_file(file_count):
+            """读取单个CSV文件的函数（供多线程调用）"""
+            file_name = args.file_pattern.format(file_count)
+            file_path = os.path.join(args.data_dir, file_name)
+            return pd.read_csv(file_path)
+        
+        # 生成待读取的文件索引列表
+        file_indices = list(range(args.start_files, args.end_files + 1))
+        
+        # 多线程读取文件（加速大文件读取）
+        max_workers = os.cpu_count()
+        with ThreadPoolExecutor(max_workers=max_workers) as executor:
+            results = list(tqdm(executor.map(read_file, file_indices),
+                                total=len(file_indices),
+                                desc="正在读取文件"))
+        
+        all_data = pd.concat(results, ignore_index=True)
+        
+        # 根据feature_num筛选特征列
+        if args.feature_num == 16:
+            # 定义需要保留的16个特征（包含index列用于后续日期处理）
+            specified_features = [
+                "C.M.RO1_FT_JS@out",
+                "C.M.RO2_FT_JS@out",
+                "C.M.RO3_FT_JS@out",
+                "C.M.RO4_FT_JS@out",
+                "C.M.RO_TT_ZJS@out",
+                "C.M.RO_Cond_ZCS@out",
+                "C.M.RO1_DB@DPT_1",
+                "C.M.RO1_DB@DPT_2",
+                "C.M.RO2_DB@DPT_1",
+                "C.M.RO2_DB@DPT_2",
+                "C.M.RO3_DB@DPT_1",
+                "C.M.RO3_DB@DPT_2",
+                "C.M.RO4_DB@DPT_1",
+                "C.M.RO4_DB@DPT_2"
+            ]
+            # 必须保留'index'列用于后续日期处理，添加到特征列表
+            columns_to_keep = ['index'] + specified_features
+            # 筛选并按指定顺序保留列
+            all_data = all_data[columns_to_keep]
+        # 当feature_num=79时，保持原有所有特征
+        
+        # 按分辨率下采样
+        chunk = all_data.iloc[::args.resolution, :].reset_index(drop=True)
+        
+        # 处理日期和时间特征
+        chunk = DataPreprocessor.process_date(chunk, args)
+        # 归一化
+        chunk = DataPreprocessor.scaler_data(chunk, args)
+        
+        return chunk
+    
+    @staticmethod
+    def process_date(data, args):
+        """
+        处理日期列，根据分辨率生成周期性时间特征
+        参数：
+            data: 含'index'列（原始日期）的DataFrame
+            resolution: 数据分辨率，用于决定生成的时间特征
+        返回：
+            data: 处理后的DataFrame（含日期列和时间特征）
+        """
+        data = data.rename(columns={'index': 'date'})
+        data['date'] = pd.to_datetime(data['date'])
+    
+        # 生成周期性时间特征
+        time_features = []
+        
+        if args.resolution == 60:
+            # 分辨率为60时，生成分钟级和日级特征
+            data['minute_of_day'] = data['date'].dt.hour * 60 + data['date'].dt.minute
+            data['minute_sin'] = np.sin(2 * np.pi * data['minute_of_day'] / 1440)
+            data['minute_cos'] = np.cos(2 * np.pi * data['minute_of_day'] / 1440)
+            time_features.extend(['minute_sin', 'minute_cos'])
+            data.drop(columns=['minute_of_day'], inplace=True)
+        
+        # 两种分辨率下都保留日级特征
+        data['day_of_year'] = data['date'].dt.dayofyear
+        data['day_year_sin'] = np.sin(2 * np.pi * data['day_of_year'] / 366)
+        data['day_year_cos'] = np.cos(2 * np.pi * data['day_of_year'] / 366)
+        time_features.extend(['day_year_sin', 'day_year_cos'])
+        data.drop(columns=['day_of_year'], inplace=True)
+    
+        # 调整列顺序（日期+时间特征+其他特征）
+        other_columns = [col for col in data.columns if col not in ['date'] and col not in time_features]
+        data = data[['date'] + time_features + other_columns]
+    
+        return data
+    
+    @staticmethod
+    def scaler_data(data, args):
+        """
+        对数据进行归一化（0-1缩放），并保存归一化器（供预测时反归一化）
+        参数：
+            data: 含'date'列和特征列的DataFrame
+            args: 配置参数（包含scaler_path）
+        返回：
+            scaled_data: 归一化后的DataFrame（含日期列）
+        """
+        date_col = data[['date']]
+        data_to_scale = data.drop(columns=['date'])
+
+        scaler = MinMaxScaler(feature_range=(0, 1))
+        scaled_data = scaler.fit_transform(data_to_scale)
+        joblib.dump(scaler, args.scaler_path)  # 保存归一化器
+
+        # 转换为DataFrame并拼接日期列
+        scaled_data = pd.DataFrame(scaled_data, columns=data_to_scale.columns)
+        scaled_data = pd.concat([date_col.reset_index(drop=True), scaled_data], axis=1)
+        
+        return scaled_data
+    
+    @staticmethod
+    def create_supervised_dataset(args, data, step_size):
+        """
+        创建监督学习数据集（输入序列+目标序列）
+        输入序列：历史seq_len个时间步的所有特征
+        目标序列：未来output_size个时间步的标签特征（最后labels_num列）
+        参数：
+            args: 配置参数（含seq_len、output_size等）
+            data: 输入数据（不含日期列的特征数据）
+            step_size: 采样步长（每隔step_size取一个样本）
+        返回：
+            dataset: 监督学习数据集（DataFrame）
+        """
+        data = pd.DataFrame(data)
+        cols = []
+        col_names = []
+        
+        feature_columns = data.columns.tolist()
+
+        # 输入序列（t-0到t-(seq_len-1)）
+        for col in feature_columns:
+            for i in range(args.seq_len - 1, -1, -1):
+                cols.append(data[[col]].shift(i))
+                col_names.append(f"{col}(t-{i})")
+        
+        # 目标序列（仅取最后labels_num列作为预测目标）
+        target_columns = feature_columns[-args.labels_num:]
+        for i in range(1, args.output_size + 1):
+            for col in target_columns:
+                cols.append(data[[col]].shift(-i))
+                col_names.append(f"{col}(t+{i})")
+
+        # 合并并清洗数据
+        dataset = pd.concat(cols, axis=1)
+        dataset.columns = col_names
+        dataset = dataset.iloc[::step_size, :]  # 按步长采样
+        dataset.dropna(inplace=True)  # 移除含缺失值的行
+        
+        return dataset
+
+    @staticmethod
+    def load_data(args, dataset, shuffle):
+        """
+        将监督学习数据集转换为PyTorch张量，并创建DataLoader
+        参数：
+            args: 配置参数（含特征数、批大小等）
+            dataset: 监督学习数据集（DataFrame）
+            shuffle: 是否打乱数据（训练集True，验证/测试集False）
+        返回：
+            data_loader: PyTorch DataLoader
+        """
+        input_length = args.seq_len
+        n_features = args.feature_num
+        labels_num = args.labels_num
+    
+        n_features_total = n_features * input_length  # 输入特征总维度
+        n_labels_total = args.output_size * labels_num  # 目标总维度
+
+        # 分割输入和目标
+        X = dataset.values[:, :n_features_total]
+        y = dataset.values[:, n_features_total:n_features_total + n_labels_total]
+    
+        # 重塑输入为[样本数, 序列长度, 特征数]
+        X = X.reshape(X.shape[0], input_length, n_features)
+        X = torch.tensor(X, dtype=torch.float32).to(args.device)
+        y = torch.tensor(y, dtype=torch.float32).to(args.device)
+
+        # 创建数据集和数据加载器
+        dataset_tensor = TensorDataset(X, y)
+        generator = torch.Generator()
+        generator.manual_seed(args.random_seed)  # 固定随机种子确保可复现
+        
+        data_loader = DataLoader(
+            dataset_tensor, 
+            batch_size=args.batch_size, 
+            shuffle=shuffle,
+            generator=generator
+        )
+    
+        return data_loader

models/pressure-predictor/gat-lstm_model/data_trainer.py

@@ -0,0 +1,266 @@
+# data_trainer.py
+import torch
+import joblib
+import numpy as np
+import pandas as pd
+from sklearn.metrics import r2_score
+from datetime import datetime, timedelta
+from sklearn.preprocessing import MinMaxScaler
+
+class Trainer:
+    def __init__(self, model, args, data):
+        """
+        模型训练器类，负责模型训练、验证、保存和评估
+        参数：
+            model: 待训练的模型实例
+            args: 配置参数
+            data: 原始数据（用于生成评估的时间戳）
+        """
+        self.args = args
+        self.model = model
+        self.data = data
+        
+        # 早停相关参数
+        self.patience = args.patience
+        self.min_delta = args.min_delta
+        self.counter = 0
+        self.early_stop = False
+        self.best_val_loss = float('inf')
+        self.best_model_state = None
+        self.best_epoch = 0
+
+    def train_full_model(self, train_loader, val_loader, optimizer, criterion, scheduler):
+        """
+        联合训练所有8/16个子模型（端到端训练）
+        参数：
+            train_loader: 训练集数据加载器
+            val_loader: 验证集数据加载器
+            optimizer: 优化器（如Adam）
+            criterion: 损失函数（如MSE）
+            scheduler: 学习率调度器
+        返回：
+            训练好的模型（加载最佳权重）
+        """
+        self.counter = 0
+        self.best_val_loss = float('inf')
+        self.early_stop = False
+        self.best_model_state = None
+        self.best_epoch = 0
+        max_epochs = self.args.epochs
+
+        for epoch in range(max_epochs):
+            self.model.train()
+            running_loss = 0.0
+            
+            for inputs, targets in train_loader:
+                inputs = inputs.to(self.args.device)
+                targets = targets.to(self.args.device)  # 整体目标值（包含所有8/16个因变量）
+                
+                optimizer.zero_grad()
+                outputs = self.model(inputs)  # 整体模型输出
+                
+                loss = criterion(outputs, targets)  # 计算整体损失
+                loss.backward()
+                optimizer.step()
+                running_loss += loss.item()
+            
+            train_loss = running_loss / len(train_loader)
+            val_loss = self.validate_full(val_loader, criterion) if val_loader else 0.0
+
+            print(f'Epoch {epoch+1}/{max_epochs}, '
+                  f'Train Loss: {train_loss:.6f}, '
+                  f'Val Loss: {val_loss:.6f}, '
+                  f'LR: {optimizer.param_groups[0]["lr"]:.6f}')
+
+            # 早停逻辑（基于整体验证损失）
+            if val_loader:
+                improved = val_loss < (self.best_val_loss - self.min_delta)
+                if improved:
+                    self.best_val_loss = val_loss
+                    self.counter = 0
+                    self.best_model_state = self.model.state_dict()
+                    self.best_epoch = epoch
+                else:
+                    self.counter += 1
+                    if self.counter >= self.patience:
+                        self.early_stop = True
+                        print(f"早停触发")
+                        
+            scheduler.step()
+            torch.cuda.empty_cache()
+            if self.early_stop:
+                break
+
+        # 加载最佳状态
+        if self.best_model_state is not None:
+            self.model.load_state_dict(self.best_model_state)
+        print(f"最佳迭代: {self.best_epoch+1}, 最佳验证损失: {self.best_val_loss:.6f}")
+        return self.model
+
+    def validate_full(self, val_loader, criterion):
+        """
+        验证整个模型（计算验证集损失）
+        参数：
+            val_loader: 验证集数据加载器
+            criterion: 损失函数
+        返回：
+            平均验证损失
+        """
+        self.model.eval()
+        total_loss = 0.0
+        with torch.no_grad():
+            for inputs, targets in val_loader:
+                inputs = inputs.to(self.args.device)
+                targets = targets.to(self.args.device)  # 整体目标值
+                
+                outputs = self.model(inputs)  # 整体模型输出
+                loss = criterion(outputs, targets)  # 整体损失计算
+                total_loss += loss.item()
+        return total_loss / len(val_loader)
+
+    def save_model(self):
+        """保存模型最佳权重到指定路径"""
+        torch.save(self.model.state_dict(), self.args.model_path)
+        print(f"模型已保存到：{self.args.model_path}")
+            
+    def evaluate_model(self, test_loader, criterion):
+        """
+        评估模型在测试集上的性能，计算R方、RMSE、MAPE等指标，并保存结果
+        参数：
+            test_loader: 测试集数据加载器
+            criterion: 损失函数（用于计算测试损失）
+        返回：
+            各指标的字典（R方、RMSE、MAPE）
+        """
+        self.model.eval()
+        scaler_path = self.args.scaler_path
+        scaler = joblib.load(scaler_path)
+        predictions = []
+        true_values = []
+        device = self.args.device
+        
+        with torch.no_grad():
+            for inputs, targets in test_loader:
+                inputs = inputs.to(device)
+                targets = targets.to(device)
+                outputs = self.model(inputs)
+                predictions.append(outputs.cpu().numpy())
+                true_values.append(targets.cpu().numpy())
+    
+        predictions = np.concatenate(predictions, axis=0)
+        true_values = np.concatenate(true_values, axis=0)
+    
+        # 重塑预测值和真实值形状以匹配反归一化要求
+        reshaped_predictions = predictions.reshape(predictions.shape[0], 
+                                                   self.args.output_size, 
+                                                   self.args.labels_num)
+        predictions = reshaped_predictions.reshape(-1, self.args.labels_num)
+        
+        reshaped_true_values = true_values.reshape(true_values.shape[0], 
+                                                   self.args.output_size, 
+                                                   self.args.labels_num)
+        true_values = reshaped_true_values.reshape(-1, self.args.labels_num)
+    
+        # 反归一化（仅对标签列）
+        column_scaler = MinMaxScaler(feature_range=(0, 1))
+        column_scaler.min_ = scaler.min_[-self.args.labels_num:] 
+        column_scaler.scale_ = scaler.scale_[-self.args.labels_num:] 
+        
+        true_values = column_scaler.inverse_transform(true_values)
+        predictions = column_scaler.inverse_transform(predictions)
+    
+        # 定义列名（8/16个因变量）
+        full_column_names = [
+            'C.M.UF1_DB@press_PV', 'C.M.UF2_DB@press_PV', 'C.M.UF3_DB@press_PV', 'C.M.UF4_DB@press_PV',
+            'UF1Per','UF2Per','UF3Per','UF4Per',
+            'C.M.RO1_DB@DPT_1', 'C.M.RO2_DB@DPT_1', 'C.M.RO3_DB@DPT_1', 'C.M.RO4_DB@DPT_1',
+            'C.M.RO1_DB@DPT_2', 'C.M.RO2_DB@DPT_2', 'C.M.RO3_DB@DPT_2', 'C.M.RO4_DB@DPT_2'
+        ]
+        
+        # 根据labels_num选择对应的列名子集
+        if self.args.labels_num == 16:
+            column_names = full_column_names
+        elif self.args.labels_num == 8:
+            # 取后8个RO相关的列名
+            column_names = full_column_names[-8:]
+        else:
+            # 处理不支持的labels_num值（可选，根据需求调整）
+            raise ValueError(f"不支持的labels_num值: {self.args.labels_num}，仅支持16或8")
+    
+        # 生成时间序列
+        start_datetime = datetime.strptime(self.args.test_start_date, "%Y-%m-%d")
+        time_interval = timedelta(minutes=(4 * self.args.resolution / 60))
+        total_points = len(predictions)
+        date_times = [start_datetime + i * time_interval for i in range(total_points)]
+        
+        # 保存结果到DataFrame
+        results = pd.DataFrame({'date': date_times})
+
+        # 计算评估指标
+        r2_scores = {}
+        rmse_scores = {}
+        mape_scores = {}
+        metrics_details = []
+        
+        for i, col_name in enumerate(column_names):
+            results[f'{col_name}_True'] = true_values[:, i]
+            results[f'{col_name}_Predicted'] = predictions[:, i]
+
+            var_true = true_values[:, i]
+            var_pred = predictions[:, i]
+
+            # 过滤零值（避免除零错误）
+            non_zero_mask = var_true != 0
+            var_true_nonzero = var_true[non_zero_mask]
+            var_pred_nonzero = var_pred[non_zero_mask]
+
+            r2 = float('nan')
+            rmse = float('nan')
+            mape = float('nan')
+            
+            if len(var_true_nonzero) > 0:
+                r2 = r2_score(var_true_nonzero, var_pred_nonzero)
+                rmse = np.sqrt(np.mean((var_true_nonzero - var_pred_nonzero) ** 2))
+                mape = np.mean(np.abs((var_true_nonzero - var_pred_nonzero) / np.abs(var_true_nonzero))) * 100
+                
+                r2_scores[col_name] = r2
+                rmse_scores[col_name] = rmse
+                mape_scores[col_name] = mape
+                
+                detail = f"{col_name}:\n  R方 = {r2:.6f}\n  RMSE = {rmse:.6f}\n  MAPE = {mape:.6f}%"
+                metrics_details.append(detail)
+                print(f"{col_name} R方: {r2:.6f}")
+            else:
+                metrics_details.append(f"{col_name}: 没有有效数据用于计算指标")
+                print(f"{col_name} 没有有效数据用于计算R方")
+
+        # 计算平均指标
+        valid_r2 = [score for score in r2_scores.values() if not np.isnan(score)]
+        valid_rmse = [score for score in rmse_scores.values() if not np.isnan(score)]
+        valid_mape = [score for score in mape_scores.values() if not np.isnan(score)]
+        
+        avg_r2 = np.mean(valid_r2) if valid_r2 else float('nan')
+        avg_rmse = np.mean(valid_rmse) if valid_rmse else float('nan')
+        avg_mape = np.mean(valid_mape) if valid_mape else float('nan')
+
+        avg_detail = f"\n平均指标:\n  R方 = {avg_r2:.6f}\n  RMSE = {avg_rmse:.6f}\n  MAPE = {avg_mape:.6f}%"
+        if np.isnan(avg_r2):
+            avg_detail = "\n平均指标: 没有有效的指标可用于计算平均值"
+        
+        metrics_details.append(avg_detail)
+        print(avg_detail)
+
+        # 保存结果
+        results.to_csv(self.args.output_csv_path, index=False)
+        print(f"预测结果已保存到：{self.args.output_csv_path}")
+
+        txt_path = self.args.output_csv_path.replace('.csv', '_metrics_results.txt')
+        with open(txt_path, 'w') as f:
+            f.write("各变量预测指标结果:\n")
+            f.write("===================\n\n")
+            for detail in metrics_details:
+                f.write(detail + '\n')
+        
+        print(f"预测指标结果已保存到：{txt_path}")
+        
+        return r2_scores, rmse_scores, mape_scores

models/pressure-predictor/gat-lstm_model/gat_lstm.py

@@ -0,0 +1,102 @@
+# gat_lstm.py
+import torch
+import torch.nn as nn    # PyTorch神经网络模块
+
+# 单个独立模型（对应1个因变量）
+class SingleGATLSTM(nn.Module):
+    def __init__(self, args):
+        """
+        单个子模型：包含GAT-LSTM层和输出层，用于预测1个目标指标
+        参数：
+            args: 配置参数（含特征数、隐藏层大小等）
+        """
+        super(SingleGATLSTM, self).__init__()
+        self.args = args
+        
+        # 独立的LSTM层
+        self.lstm = nn.LSTM(
+            input_size=args.feature_num,
+            hidden_size=args.hidden_size,
+            num_layers=args.num_layers,
+            batch_first=True
+        )
+        
+        # 独立的输出层
+        self.final_linear = nn.Sequential(
+            nn.Linear(args.hidden_size, args.hidden_size),
+            nn.LeakyReLU(0.01),
+            nn.Dropout(args.dropout * 0.4),
+            nn.Linear(args.hidden_size, args.output_size)
+        )
+        
+        self._init_weights()
+        
+    def _init_weights(self):
+        """初始化网络权重，加速模型收敛"""
+        for m in self.modules():
+            if isinstance(m, nn.Linear):
+                nn.init.xavier_uniform_(m.weight)
+                if m.bias is not None:
+                    nn.init.zeros_(m.bias)
+            elif isinstance(m, nn.BatchNorm1d):
+                nn.init.constant_(m.weight, 1)
+                nn.init.constant_(m.bias, 0)
+
+        # 初始化LSTM权重
+        for name, param in self.lstm.named_parameters():
+            if 'weight_ih' in name:
+                nn.init.xavier_uniform_(param.data)
+            elif 'weight_hh' in name:
+                nn.init.orthogonal_(param.data)
+            elif 'bias' in name:
+                param.data.fill_(0)
+                n = param.size(0)
+                start, end = n // 4, n // 2
+                param.data[start:end].fill_(1)
+        
+    def forward(self, x):
+        """
+        前向传播：输入序列经过LSTM和输出层，得到预测结果
+        参数：
+            x: 输入序列，形状为[batch_size, seq_len, feature_num]
+        返回：
+            output: 预测结果，形状为[batch_size, output_size]
+        """
+        batch_size, seq_len, feature_num = x.size()
+        lstm_out, _ = self.lstm(x)
+        # 取最后一个时间步的输出
+        last_out = lstm_out[:, -1, :]
+        
+        # 输出层预测
+        output = self.final_linear(last_out)
+        return output  # [batch_size, output_size]
+
+
+# 16个独立模型的容器（总模型）
+class GAT_LSTM(nn.Module):
+    def __init__(self, args):
+        """
+        总模型：包含多个SingleGATLSTM子模型，分别预测不同的目标
+        参数：
+            args: 配置参数（含labels_num，即子模型数量）
+        """
+        super(GAT_LSTM, self).__init__()
+        self.args = args
+        # 创建16个独立模型（数量由labels_num指定）
+        self.models = nn.ModuleList([SingleGATLSTM(args) for _ in range(args.labels_num)])
+    
+    def set_edge_index(self, edge_index):
+        self.edge_index = edge_index  # 将传入的edge_index保存到模型内部
+        
+    def forward(self, x):
+        """
+        前向传播：所有子模型并行处理输入，拼接预测结果
+        参数：
+            x: 输入序列，形状为[batch_size, seq_len, feature_num]
+        返回：
+            拼接后的预测结果，形状为[batch_size, output_size * labels_num]
+        """
+        outputs = []
+        for model in self.models:
+            outputs.append(model(x))  # 每个输出为[batch, output_size]
+        return torch.cat(outputs, dim=1)  # 拼接后[batch, output_size * labels_num]

models/pressure-predictor/gat-lstm_model/main.py

@@ -0,0 +1,70 @@
+# main.py
+import os
+import torch
+import numpy as np
+import random
+from gat_lstm import GAT_LSTM
+from data_trainer import Trainer
+from args import lstm_args_parser
+from torch.nn import MSELoss
+from data_preprocessor import DataPreprocessor
+
+def set_seed(seed):
+    random.seed(seed)
+    os.environ['PYTHONHASHSEED'] = str(seed)
+    np.random.seed(seed)
+    torch.manual_seed(seed)
+    torch.cuda.manual_seed(seed)
+    torch.cuda.manual_seed_all(seed)
+    torch.backends.cudnn.deterministic = True
+    torch.backends.cudnn.benchmark = False
+
+
+def main():
+    args = lstm_args_parser()
+    set_seed(args.random_seed)
+    
+    device = torch.device(f"cuda:{args.device}" if torch.cuda.is_available() else "cpu")
+    args.device = device  # 将device存入args，方便后续使用
+
+    # 数据预处理
+    data = DataPreprocessor.read_and_combine_csv_files(args)
+    train_loader, val_loader, test_loader, _ = DataPreprocessor.load_and_process_data(args, data)
+    
+    # 初始化包含16个子模型的整体模型
+    model = GAT_LSTM(args).to(device)
+
+    # 初始化训练器和MSE损失函数
+    trainer = Trainer(model, args, data)
+    criterion = MSELoss()
+
+    # 优化器：优化所有子模型的参数（联合训练）
+    optimizer = torch.optim.Adam(
+        model.parameters(),  # 整体模型参数
+        lr=args.lr
+    )
+    scheduler = torch.optim.lr_scheduler.StepLR(
+        optimizer,
+        step_size=args.scheduler_step_size,
+        gamma=args.scheduler_gamma
+    )
+
+    # 整体训练大模型（包含所有8/16个子模型）
+    print("=== 开始训练包含8/16个子模型的整体模型 ===")
+    trainer.train_full_model(
+        train_loader,
+        val_loader,
+        optimizer,
+        criterion,
+        scheduler
+    )
+
+    # 保存包含所有8/16个子模型参数的整体模型
+    trainer.save_model()
+    print("\n=== 模型训练完成，已保存整体模型 ===")
+
+    # 评估模型
+    trainer.evaluate_model(test_loader, MSELoss())
+
+if __name__ == "__main__":
+    main()