序列预测LSTM

最新推荐文章于 2024-07-25 10:37:06 发布

访风景于崇阿

最新推荐文章于 2024-07-25 10:37:06 发布

阅读量172

点赞数

分类专栏：深度学习文章标签： lstm 深度学习人工智能

本文链接：https://blog.csdn.net/starlight1231/article/details/128839948

版权

本文介绍了使用LSTM进行时间序列预测的方法，包括输入数据的两种处理方式：单条历史序列和多条短序列，详细阐述了数据预处理、模型训练和预测过程，以及预测效果的展示。

摘要由CSDN通过智能技术生成

参考：

使用LSTM进行简单时间序列预测（入门全流程，包括如何整理输入数据）_lstm预测_eecspan的博客-CSDN博客

请注意，虽然通常情况下张量的第一个维度是批次大小batch size，但是PyTorch建议我们输入循环网络的时候张量的第一个维度是序列长度，而第二个维度才是批次数量。

即：输入LSTM的 input.size() == (seq_len, batch_size, inp_dim)

其中：seq_len：时间序列的长度

batch_size：同个批次中输入的序列条数

inp_dim: 输入数据的维度，例如输入数据由【客流量，年份，月份】三组数据构成，则 inp_dim == 3

PyTorch中示例：

Examples::

        >>> rnn = nn.LSTM(10, 20, 2)
        >>> input = torch.randn(5, 3, 10)
        >>> h0 = torch.randn(2, 3, 20)
        >>> c0 = torch.randn(2, 3, 20)
        >>> output, (hn, cn) = rnn(input, (h0, c0))

class RegLSTM(nn.Module):
    def __init__(self, inp_dim, out_dim, mid_dim, mid_layers):
        super(RegLSTM, self).__init__()

        self.rnn = nn.LSTM(inp_dim, mid_dim, mid_layers)  # rnn
        self.reg = nn.Sequential(
            nn.Linear(mid_dim, mid_dim),
            nn.Tanh(),
            nn.Linear(mid_dim, out_dim),
        )  # regression

    def forward(self, x):
        y = self.rnn(x)[0]  # y, (h, c) = self.rnn(x)     
        seq_len, batch_size, hid_dim = y.shape
        y = y.view(-1, hid_dim)                           
        y = self.reg(y)                                   
        y = y.view(seq_len, batch_size, -1)               
        return y

    """
    PyCharm Crtl+click nn.LSTM() jump to code of PyTorch:
    Examples::
        >>> rnn = nn.LSTM(10, 20, 2)