PyTorch 本身无官方 Forecasting 库，所谓“PyTorch Forecasting”实为第三方库 pytorch-forecasting，需单独安装，依赖 pytorch-lightning 和 pandas，其核心类 TimeSeriesDataSet 对 time_idx、group_ids 等字段格式要求严格，TFT 模型 loss 不降多因数据未归一化、高基数静态类别或验证集时间不连续所致，预测结果须用 dataset.inverse_transform 还原。
Forecasting 库——这是个常见误解。你搜到的所谓“PyTorch Forecasting”其实是第三方库 pytorch-forecasting，它基于 PyTorch 构建，但需单独安装，且和 torch 核心包无直接依赖关系。
为什么 pip install torch 没有 Forecasting 模块？
因为 torch 包只提供张量计算和自动微分能力，不包含时间序列建模层。pytorch-forecasting 是由 Jan Beitner 开发的独立项目，封装了 N-BEATS、TFT、DeepAR 等模型，并内置数据预处理、指标评估和 Lightning 集成逻辑。
- 运行
import torch后尝试torch.forecasting会报AttributeError - 正确导入方式是：
from pytorch_forecasting import TemporalFusionTransformer, TimeSeriesDataSet - 它强依赖
pytorch-lightning和pandas，安装时漏掉任一都会在初始化数据集时报错
TimeSeriesDataSet 初始化失败的典型原因
这个类负责将原始 DataFrame 转为模型可读的时序样本，但对列名、时间格式、分组字段极其敏感。
-
time_idx列必须是整数递增（如 0,1,2…），不能是 datetime 类型；若用日期，得先用pandas.factorize()或df.groupby('time_col').ngroup()转换 -
group_ids（如 ['store_id', 'item_id']）不能为空或含 NaN，否则fit()会卡住或抛ValueError: cannot convert float NaN to integer -
min_encoder_length和max_encoder_length必须满足：训练样本中每个 group 至少有max_encoder_length + max_prediction_length条记录，否则直接跳过该 group
TFT 模型训练时 loss 不下降？检查这三点
TemporalFusionTransformer 对输入尺度和缺失值很敏感，loss 停滞往往不是模型问题，而是数据 pipeline 问题。
- 目标变量（
target）未归一化：必须用TimeSeriesDataSet内置的standardize或robustscaler，手动用sklearn.preprocessing.StandardScaler会破坏与标签编码器的绑定 - 静态协变量（
static_categoricals）用了高基数类别（如用户 ID），导致 embedding 层爆炸；应限制唯一值数量，或改用static_reals放统计特征（如用户平均购买频次） - 验证集 time_idx 范围与训练集不连续：TFT 要求验证集时间严格在训练集之后，且 gap 不能超过
max_prediction_length，否则 attention mask 出错，loss 变 nan
预测结果怎么提取并还原到原始 scale？
模型输出的是标准化后的预测值，直接看数字没业务意义；还原必须用 dataset 自带的 inverse_transform 方法，不能手写公式。
立即学习“Python免费学习笔记（深入）”；
- 调用
predict()返回的是Tensor，需先转numpy()再传给dataset.inverse_transform() - 注意参数：
dataset.inverse_transform(prediction, transform_target=True)，漏掉transform_target=True会误还原协变量 - 如果预测多步（如
max_prediction_length=7），输出 shape 是(n_samples, 7)，还原后仍是相同 shape，别用np.mean()错压维度
assert val_data.time_idx.max() > train_data.time_idx.max()，也别等上线后发现销量预测全偏低。 
