【SegRNN 源码理解】
x = self.valueEmbedding(x.reshape(-1, self.seg_num_x, self.seg_len))
valueEmbedding
特征，时间步，每个特征 60 个观察值，分成 5 份，每份 12 个时间步，嵌入到 512 维
输入: x = [16, 7, 60] # [batch, feature, time]
|
v 重塑
[112, 5, 12] # [batch*feature, segments, segment_length]
|
v 嵌入
[112, 5, 512] # [batch*feature, segments, d_model]
_, hn = self.rnn(x)
x 嵌入以后，喂给 RNN
RNN 隐藏层的输出：1×112×512
为什么h_n的形状 [1, 112, 512]
RNN在不分段处理时的形状分析
如果SegRNN模型不进行分段处理，而是直接将完整的时间序列输入到RNN中，其输入、输出的形状和处理过程会有显著不同。
不分段的RNN输入输出形状
假设我们保持批次大小(16)和特征数(7)不变，但不对60个时间步分段处理：
输入数据预处理
问题：
它这么处理是在建模什么东西，尤其是 16*7 的变换我不明白，是什么实际意义，然后又分成 5 段，相当于 5 个时间步，感觉把原始的 16 个 Batch，每个 Batch 60 个时间步，每个时间步 7 个特征的原始信息含义都混着了
RNN 对这个 16个地区的疫情数据 每个地区记录60天 每天记录7种指标（确诊数、死亡数、恢复数、新增病例、R0值、人口密度、医疗资源） 直接进行时间序列建模的输入和输出是什么样的
16个 batch，60 个时间步，7 个特征 -》 112 个序列，5 段，512 维（先理解每段）-》112 个序列，512 维（再混合段落，理解全文）
SegRNN的创新：视角转换的重要意义
