LSTM 实现时间序列预测(PyTorch
版)
一、基于 PyTorch 搭建 LSTM 模型实现风速时间序列预测
本篇则侧重于数据各个部分（模型输入、LSTM 输入、LSTM 输出、模型输出）维度的说明，
因为作为初学者，有些小伙伴对于数据在不同时期的维度不太清楚，本文将一步一步带着大
家了解各个张量的维度，帮助大家更加清晰了解整个项目的流转过程。
注意🚨🚨🚨：对于新手小白来讲，一定要清楚每个环节输入数据以及输出数据的维度，还有
每个维度代表的含义（特别是 batch_size、seq_len、feature_size，timestep，embedding_size
这些变量代表什么，不然看本篇文章会有点晕），只有这样才能够将自己的数据集应用到项
目中进行调试。
接下来本篇文章我们将采用另外一种经典的循环神经网络——长短期记忆神经网络 LSTM
来对我们的时序数据建模处理，本篇将💎 讲解如何基于单变量进行时序预测，本篇是使用
单个特征进行时序预测的，详细介绍项目的每个实现部分以及细节处理，帮助新手小白快速
建立起如何处理时序数据的框架。
二、配置类
下面是本项目需要使用的参数以及相关变量，为了方便我们将所有参数封装到一个类中，也
可以使用 argparse 参数解析方式。
为了说明数据各个阶段的维度变化，特此定义了如下变量大小，小伙伴需要记住下面变量的
值一遍理解下文说明各个阶段的维度大小。
class Config():
data_path = '../data/wind_dataset.csv'
timestep = 1 # 时间步长，就是利用多少时间窗口
batch_size = 32 # 批次大小
feature_size = 1 # 每个步长对应的特征数量，这里只使用 1 维，每天的风速
hidden_size = 256 # 隐层大小
output_size = 1 # 由于是单输出任务，最终输出层大小为 1，预测未来 1 天风速
num_layers = 2 # lstm 的层数
epochs = 10 # 迭代轮数
best_loss = 0 # 记录损失
learning_rate = 0.0003 # 学习率
model_name = 'lstm' # 模型名称
save_path = './{}.pth'.format(model_name) # 最优模型保存路径
剩余16页未读，继续阅读
资源评论
