PyTorch+LSTM实现单变量时间序列预测

以下是“PyTorch+LSTM实现单变量时间序列预测”的完整攻略，包含两个示例说明。

示例1：准备数据

步骤1：导入库

我们首先需要导入必要的库，包括PyTorch、numpy和matplotlib。

import torch
import torch.nn as nn
import numpy as np
import matplotlib.pyplot as plt

步骤2：生成数据

我们可以使用numpy库生成一些随机数据来模拟时间序列数据。在这个示例中，我们生成了一个包含100个数据点的时间序列。

np.random.seed(0)
data = np.sin(np.arange(0, 10, 0.1))

步骤3：划分数据集

我们将数据集划分为训练集和测试集。在这个示例中，我们将前80个数据点用于训练，后20个数据点用于测试。

train_data = data[:80]
test_data = data[80:]

步骤4：生成训练数据

我们需要将训练数据转换为模型可以处理的格式。在这个示例中，我们将使用前10个数据点来预测第11个数据点。我们将使用一个滑动窗口来生成训练数据。

def create_sequences(data, seq_length):
    xs = []
    ys = []

    for i in range(len(data)-seq_length-1):
        x = data[i:(i+seq_length)]
        y = data[i+seq_length]
        xs.append(x)
        ys.append(y)

    return np.array(xs), np.array(ys)

seq_length = 10
X_train, y_train = create_sequences(train_data, seq_length)
X_test, y_test = create_sequences(test_data, seq_length)

在这个示例中，我们定义了一个函数create_sequences，该函数将数据转换为模型可以处理的格式。我们使用一个滑动窗口来生成训练数据，其中每个训练样本包含前10个数据点和第11个数据点作为标签。

示例2：构建模型

步骤1：定义模型

我们将使用一个LSTM模型来预测时间序列数据。在这个示例中，我们定义了一个包含一个LSTM层和一个全连接层的模型。

class LSTM(nn.Module):
    def __init__(self, input_size=1, hidden_size=50, output_size=1):
        super().__init__()
        self.hidden_size = hidden_size

        self.lstm = nn.LSTM(input_size, hidden_size)
        self.fc = nn.Linear(hidden_size, output_size)

    def forward(self, x):
        h0 = torch.zeros(1, x.size(1), self.hidden_size)
        c0 = torch.zeros(1, x.size(1), self.hidden_size)

        out, _ = self.lstm(x, (h0, c0))
        out = self.fc(out[-1, :, :])

        return out

在这个示例中，我们定义了一个名为LSTM的类，该类继承自nn.Module。我们在__init__函数中定义了一个LSTM层和一个全连接层。在forward函数中，我们将输入数据传递给LSTM层，并将最后一个时间步的输出传递给全连接层。

步骤2：训练模型

我们将使用均方误差损失函数和随机梯度下降优化器来训练模型。在这个示例中，我们将模型训练10个周期。

model = LSTM()
criterion = nn.MSELoss()
optimizer = torch.optim.SGD(model.parameters(), lr=0.01)

epochs = 10
for epoch in range(epochs):
    optimizer.zero_grad()

    inputs = torch.from_numpy(X_train).float().unsqueeze(2)
    targets = torch.from_numpy(y_train).float()

    outputs = model(inputs)

    loss = criterion(outputs, targets)
    loss.backward()

    optimizer.step()

    print('Epoch {}/{} - Loss: {:.4f}'.format(epoch+1, epochs, loss.item()))

在这个示例中，我们首先定义了一个LSTM模型、均方误差损失函数和随机梯度下降优化器。然后，我们将训练数据转换为PyTorch张量，并将其传递给模型。我们计算模型的输出和损失，并使用反向传播算法更新模型的参数。最后，我们打印出每个周期的损失。

步骤3：测试模型

我们可以使用训练好的模型来预测测试数据。在这个示例中，我们将使用前10个数据点来预测第11个数据点。

inputs = torch.from_numpy(X_test).float().unsqueeze(2)
targets = torch.from_numpy(y_test).float()

outputs = model(inputs)

plt.plot(y_test, label='True')
plt.plot(outputs.detach().numpy(), label='Predicted')
plt.legend()
plt.show()

在这个示例中，我们将测试数据转换为PyTorch张量，并将其传递给模型。我们计算模型的输出，并将真实值和预测值绘制在图表中。

总结

本文介绍了如何使用PyTorch和LSTM模型来预测单变量时间序列数据，并提供了两个示例说明。在实现过程中，我们使用了PyTorch和其他一些库来生成数据、构建模型、训练模型和测试模型。