LSTM实现多变量输入多步预测(直接多输出)时间序列预测(PyTorch版)

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