PyTorch搭建LSTM实现多变量多步长时间序列预测（三）：多模型单步预测

2023年2月18日 101次阅读来源: Cyril_KI

I. 前言

系列文章：

II. 多模型单步预测

所谓多模型单步预测：比如前10个预测后3个，那么我们可以训练三个模型分别根据[1…10]预测[11]、[12]以及[13]。也就是说如果需要进行n步预测，那么我们一共需要训练n个LSTM模型，缺点很突出。

III. 代码实现

3.1 数据处理

我们根据前24个时刻的负荷以及该时刻的环境变量来预测接下来12个时刻的负荷（步长pred_step_size可调）。

简单来说，如果需要利用前24个值预测接下来12个值，那么我们需要生成12个数据集。

3.2 模型搭建

模型和之前的文章一致：

class LSTM(nn.Module):
    def __init__(self, input_size, hidden_size, num_layers, output_size, batch_size):
        super().__init__()
        self.input_size = input_size
        self.hidden_size = hidden_size
        self.num_layers = num_layers
        self.output_size = output_size
        self.num_directions = 1 # 单向LSTM
        self.batch_size = batch_size
        self.lstm = nn.LSTM(self.input_size, self.hidden_size, self.num_layers, batch_first=True)
        self.linear = nn.Linear(self.hidden_size, self.output_size)

    def forward(self, input_seq):
        batch_size, seq_len = input_seq.shape[0], input_seq.shape[1]
        h_0 = torch.randn(self.num_directions * self.num_layers, self.batch_size, self.hidden_size).to(device)
        c_0 = torch.randn(self.num_directions * self.num_layers, self.batch_size, self.hidden_size).to(device)
        output, _ = self.lstm(input_seq, (h_0, c_0))
        pred = self.linear(output)
        pred = pred[:, -1, :]
        return pred

3.3 模型训练/测试

与前文不同的是，这种方法需要训练多个模型：

if __name__ == '__main__':
    flag = 'mmss'
    Dtrs, Vals, Dtes, m, n = load_data(args, flag, batch_size=args.batch_size)
    for Dtr, Val, path in zip(Dtrs, Vals, LSTM_PATHS):
        train(args, Dtr, Val, path)
    Dtrs, Vals, Dtes, m, n = load_data(args, flag, batch_size=1)
    m_test(args, Dtes, LSTM_PATHS, m, n)

模型测试：多步预测的每一步，都需要用不同的模型来进行预测。值得注意的是，在正式预测时，数据的batch_size需要设置为1。

3.4 实验结果

前24个预测未来12个，每个模型训练50轮，MAPE为10.03%，还需要进一步完善。
《PyTorch搭建LSTM实现多变量多步长时间序列预测（三）：多模型单步预测》

IV. 源码及数据

后面将陆续公开~

    原文作者：Cyril_KI
    原文地址: https://blog.csdn.net/Cyril_KI/article/details/125010856
    本文转自网络文章，转载此文章仅为分享知识，如有侵权，请联系博主进行删除。

算法网