TensorFlow搭建LSTM实现多变量多步长时间序列预测（一）：直接多输出

Cyril_KI

已于 2024-04-05 22:45:33 修改

阅读量6.5k

点赞数 6

分类专栏：时间序列预测 TensorFlow 文章标签： tensorflow lstm 时间序列预测负荷预测

于 2022-08-20 23:41:55 首次发布

本文链接：https://blog.csdn.net/Cyril_KI/article/details/126444938

版权

时间序列预测同时被 2 个专栏收录

50 篇文章 551 订阅

订阅专栏

TensorFlow

17 篇文章 8 订阅

订阅专栏

I. 前言

在前面的两篇文章TensorFlow搭建LSTM实现时间序列预测（负荷预测）和TensorFlow搭建LSTM实现多变量时间序列预测（负荷预测）中，我们利用LSTM分别实现了单变量单步长时间序列预测和多变量单步长时间序列预测。

本篇文章主要考虑用PyTorch搭建LSTM实现多变量多步长时间序列预测。

系列文章：

II. 数据处理

数据集为某个地区某段时间内的电力负荷数据，除了负荷以外，还包括温度、湿度等信息。

本文中，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（步长可调）。

任意输出其中一条数据：

(<tf.Tensor: shape=(24, 7), dtype=float32, numpy=
array([[0.36147627, 0.        , 0.90909094, 0.        , 0.8333333 ,
        0.3255814 , 0.24390244],
       [0.3429366 , 0.        , 0.90909094, 0.        , 0.8333333 ,
        0.3255814 , 0.24390244],
       [0.34939995, 0.        , 0.90909094, 0.        , 0.8333333 ,
        0.3255814 , 0.24390244],
       [0.35257494, 0.        , 0.90909094, 0.        , 0.8333333 ,
        0.3255814 , 0.24390244],
       [0.39485145, 0.        , 0.90909094, 0.        , 0.8333333 ,
        0.3255814 , 0.24390244],
       [0.38066387, 0.        , 0.90909094, 0.        , 0.8333333 ,
        0.3255814 , 0.24390244],
       [0.44114256, 0.        , 0.90909094, 0.        , 0.8333333 ,
        0.3255814 , 0.24390244],
       [0.4603167 , 0.        , 0.90909094, 0.        , 0.8333333 ,
        0.3255814 , 0.24390244],
       [0.45330796, 0.        , 0.90909094, 0.        , 0.8333333 ,
        0.3255814 , 0.24390244],
       [0.47912365, 0.        , 0.90909094, 0.        , 0.8333333 ,
        0.3255814 , 0.24390244],
       [0.46706894, 0.        , 0.90909094, 0.        , 0.8333333 ,
        0.3255814 , 0.24390244],
       [0.5081953 , 0.        , 0.90909094, 0.        , 0.8333333 ,
        0.3255814 , 0.24390244],
       [0.4452976 , 0.        , 0.90909094, 0.        , 0.8333333 ,
        0.3255814 , 0.24390244],
       [0.4360156 , 0.        , 0.90909094, 0.        , 0.8333333 ,
        0.3255814 , 0.24390244],
       [0.4917237 , 0.        , 0.90909094, 0.        , 0.8333333 ,
        0.3255814 , 0.24390244],
       [0.4723147 , 0.        , 0.90909094, 0.        , 0.8333333 ,
        0.3255814 , 0.24390244],
       [0.47849187, 0.        , 0.90909094, 0.        , 0.8333333 ,
        0.3255814 , 0.24390244],
       [0.524864  , 0.        , 0.90909094, 0.        , 0.8333333 ,
        0.3255814 , 0.24390244],
       [0.52128404, 0.        , 0.90909094, 0.        , 0.8333333 ,
        0.3255814 , 0.24390244],
       [0.47682068, 0.        , 0.90909094, 0.        , 0.8333333 ,
        0.3255814 , 0.24390244],
       [0.4345901 , 0.        , 0.90909094, 0.        , 0.8333333 ,
        0.3255814 , 0.24390244],
       [0.39052632, 0.        , 0.90909094, 0.        , 0.8333333 ,
        0.3255814 , 0.24390244],
       [0.33869517, 0.        , 0.90909094, 0.        , 0.8333333 ,
        0.3255814 , 0.24390244],
       [0.3025095 , 0.        , 0.90909094, 0.        , 0.8333333 ,
        0.3255814 , 0.24390244]], dtype=float32)>, <tf.Tensor: shape=(12,), dtype=float32, numpy=
array([0.37805316, 0.34055534, 0.32864106, 0.32987487, 0.32875174,
       0.31902698, 0.37937066, 0.3773944 , 0.4436723 , 0.4644258 ,
       0.46383727, 0.46949607], dtype=float32)>)

数据格式为(X, Y)。其中X一共24行，表示前24个时刻的负荷值和该时刻的环境变量。Y一共12个值，表示需要预测的12个负荷值。需要注意的是，此时input_size=7，output_size=12。

III. LSTM模型

这里采用了TensorFlow搭建LSTM实现时间序列预测（负荷预测）中的模型：

class LSTM(keras.Model):
    def __init__(self, args):
        super(LSTM, self).__init__()
        self.lstm = Sequential()
        for i in range(args.num_layers):
            self.lstm.add(layers.LSTM(units=args.hidden_size, input_shape=(args.seq_len, args.input_size),
                                      activation='tanh', return_sequences=True))
        self.fc1 = layers.Dense(64, activation='relu')
        self.fc2 = layers.Dense(args.output_size)

    def call(self, data, training=None, mask=None):
        x = self.lstm(data)
        x = self.fc1(x)
        x = self.fc2(x)

        return x[:, -1:, :]