pytorch实战（五）——时间序列多步预测的五种方法介绍

当需要根据已有的时间序列数据，预测未来多个时刻的状态时，被称之为时间序列多步预测。
时间序列多步预测有五种策略，分别为：
1、直接多步预测（Direct Multi-step Forecast）
2、递归多步预测（Recursive Multi-step Forecast）
3、直接递归混合预测（Direct-Recursive Hybrid Forecast）
4、多输出预测（Multiple Output Forecast）
5、seq2seq预测（seq2seq Forecast）
下面进行详细介绍。假设已知的时间序列数据为[1 2 3 4]，需要预测紧跟其后的[x y]

1、直接多步预测（Direct Multi-step Forecast）

方法是训练两个模型，其中一个模型用于预测x，另一个模型用于预测y，即：
model1：[1 2 3 4]->[x]
model2：[1 2 3 4]->[y]
缺点主要有两个，第一个为需要为未来的每个状态建立相应的模型，计算负担较大，第二个为无法充分利用时间序列的相关性，即model1的预测结果无法被model2使用。

2、递归多步预测（Recursive Multi-step Forecast）

方法是训练一个固定的模型，按照递归的方法对x与y进行预测，其中的关键是，模型可以使用前一个时间步的预测结果来对下一个时间步进行预测，即：
[1 2 3 4]->[x]
[2 3 4 x]->[y]
优点是利用了时间序列的相关性。
缺点是将预测值作为观测值，会造成误差的累积，当需要预测的时间序列很长时，容易导致性能迅速下降。

3、直接递归混合预测（Direct-Recursive Hybrid Forecast）

该方法综合了直接多步预测和递归多步预测方法的特性。
训练两个模型，其中一个模型用于预测x，另一个模型用于预测y，需要注意的是，第二个模型可以利用第一模型的预测结果。
model1：[1 2 3 4]->[x]
model2：[2 3 4 x]->[y]

4、多输出预测（Multiple Output Forecast）

训练一个固定的模型，该模型的输出有两个值。更具体的来说，就相当于最后的dense层含有两个神经元，每个神经元就是一个值。
[1 2 3 4]->[x y]
优点是后一个时间步的预测和前一个时间步的预测是独立的，不会造成误差的累积。
缺点是，事实上，x和y应该是具有时序关系的，如果完全独立的预测他们的话，会造成信息的损失，引起误差。

5、seq2seq预测（seq2seq Forecast）

方法与多输出预测类似，都是训练一个固定的模型，该模型的输出有两个值。
[1 2 3 4]->[x y]
但是最大的不同是，该方法采用了如下图所示的seq2seq结构。

该结构采用了LSTM、attention+seq2seq、transformer、bert等网络结构，因此能够考虑输出的标签之间的序列依赖性，有效利用了预测值之间的时序关系，解决了多输出预测方法的缺陷，有利于提高预测精度。