LSTM实现多变量输入多步预测(Seq2Seq多步预测)时间序列预测(PyTorch版)

目录

二、多步预测（Seq2Seq多步预测）

三、模型定义

3.1 编码器Encoder

3.2 解码器Decoder

3.3 Seq2Seq模型

四、可视化结果

完整源码

---

二、多步预测（Seq2Seq多步预测）

这种实现策略与 直接多输出预测 一致，不同之处就是这种策略利用到了 Seq2Seq 这种模型结果，Seq2Seq 实现了序列到序列的预测方案，由于我们的多步预测的预测结果也是多个序列，所以本问题可以使用这种模型架构。

定义的模型结构状态为：

【t1，t2，t3，t4，t5】 🔜 【t6，t7】

对于这种模型架构相对于递归预测效率会高一点，因为可以并行同时预测 t6 和 t7 的结果，而且对于这种模型架构可以使用更多高精度的模型，例如 Bert 、Transformer 、Attention 等多种模型作为内部的组件。

三、模型定义

对于本项目实现多步预测，显示使用的 Seq2Seq 架构应该是 NvN，首先利用编码器对我们输入的时序数据进行编码，然后将编码形成的语义向量输入到解码器进行解码形成输出。