文章摘要：RevIn是一种样本级标准化方法，与传统基于整个训练集的标准化不同，它对每个样本和特征通道单独处理。通过PyTorch实现，RevIN支持可学习的仿射变换，包含归一化(norm)和反归一化(denorm)两种模式。其核心功能包括计算样本统计量、标准化处理以及可选的仿射变换，适用于需要保持样本独立性的深度学习任务。该实现还提供了数值稳定性和是否使用最后一个时间点作为基准的选项。

摘要：论文提出CycleNet模型用于增强时序预测中的周期性建模，但其核心假设（所有样本共享相同周期模式）在工业场景中存在严重缺陷。实验显示，由于真实工业负载数据中周期模式不一致且非理想正弦波，模型学习到的周期参数Q基本沦为噪声，导致预测效果远差于对比方法DLinear。这表明CycleNet的严格假设使其难以在真实工业时序数据上实现可靠预测。

摘要：论文提出CycleNet模型用于增强时序预测中的周期性建模，但其核心假设（所有样本共享相同周期模式）在工业场景中存在严重缺陷。实验显示，由于真实工业负载数据中周期模式不一致且非理想正弦波，模型学习到的周期参数Q基本沦为噪声，导致预测效果远差于对比方法DLinear。这表明CycleNet的严格假设使其难以在真实工业时序数据上实现可靠预测。

pytorch 固定随机种子，复现模型结果