一、基于PyTorch搭建LSTM模型实现多变量输入多步预测(直接多输出)风速时间序列预测
本篇文章开始我们将讲解如何使用PyTorch实现多步预测,对于多步预测主要是有五种策略,分别是 直接多输出预测
、递归多步预测(单步滚动预测)
、直接多步预测(多模型单步预测)
、直接递归混合预测(多模型滚动预测)
、Seq2Seq多步预测
,对于这五种不同的策略分别有不同的优缺点,本篇开始将实现这五种不同的多步预测策略,让新手朋友们能够对这五种策略有个初步的认知。
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💎 讲解如何基于多变量进行时序预测,本篇是使用多个特征来对未来多个状态进行时序预测的,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、多步预测(直接多输出)
为了方便讲解不同的多步预测策略,这里假设我们的时间序列数据为【t1,t2,t3,t4,t5】,这是我们已知的数据,我们需要预测未来两天的状态【t6,t7】。
对于这个策略是比较好理解与实现的,就是训练一个模型,只不过需要在模型最终的线性