基于Pytorch+LSTM实现一元单步时间序列预测（保姆级教程）

目录

模型搭建

模型基础

要点

单元测试

数据准备

数据来源

数据读取

数据加载

单元测试

模型训练

模型参数规范化

训练步骤

模型测试

主程序

训练结果

相关技巧

---

模型搭建

模型基础

  

                                                           图1  RNN网络结构

class LSTM(nn.Module):
    def __init__(self,input_size,hidden_size,num_layers,output_size,batch_size):
        super().__init__()
        self.input_size = input_size
        self.hidden_size = hidden_size
        self.num_layers = num_layers
        self.output_size = output_size
        self.batch_size = batch_size
        self.num_directions = 1
        self.lstm = nn.LSTM(self.input_size,self.hidden_size,self.num_layers,batch_first=True)
        self.linear = nn.Linear(self.hidden_size,self.output_size)

    def forward(self,inputseq):
        h_0 = torch.randn(self.num_directions*self.num_layers,self.batch_size,self.hidden_size).to(device)
        c_0 = torch.randn(self.num_directions * self.num_layers, self.batch_size, self.hidden_size).to(device)
        output,_ = self.lstm(inputseq,(h_0,c_0))
        pred = self.linear(output[:,-1,:])
        return pred

要点

1）关于nn.Module类：nn.Module是神经网络模型的基础类，自定义层/块/模型均需要继承该模型，并重新实现__init__()构造函数和forward前向函数。一般，构造函数只定义一些层，在forward函数中定义层间的连接关系。super().__init__()指的是继承父类的初始化方法。只要定义了forward函数，可以通过autograd自动实现反向求导。

2）关于LSTM的结构：input(batch_size,seq_len,input_size)

                                     h_0/c_0(number_directions*num_layers,batch_size,hidden_size)

                                     output(batch_size,seq_len,hidden_size)

        其中：batch_size表示一次性输入的个数，seq_len表示输入的时间序列长度，input_size表示几元变量，hidden_size表示隐藏层神经单元个数。

单元测试

    model = LSTM(1,32,2,1,2)
    test_input = torch.tensor([[70, 80, 90],[70, 80, 90]]).float().unsqueeze(2)
    predicted_output = model(test_input)
    print(predicted_output)

数据准备

数据来源

天池-某地区电网某地区电网2018年1月1日至2021年8月31日间隔 15 分钟的电力系统负荷数据，链接为：电网_数据集-阿里云天池 (aliyun.com)

数据读取

def read_data(filename):
    data = pd.read_csv(filename,skiprows=1)
    data.head(5)