PyTorch+LSTM实现单变量时间序列预测.docxVIP

第

PyTorch+LSTM实现单变量时间序列预测

目录数据准备模型架构模型训练推理预测总结时间序列是指在一段时间内发生的任何可量化的度量或事件。尽管这听起来微不足道，但几乎任何东西都可以被认为是时间序列。一个月里你每小时的平均心率，一年里一只股票的日收盘价，一年里某个城市每周发生的交通事故数。

在任何一段时间段内记录这些信息都被认为是一个时间序列。对于这些例子中的每一个，都有事件发生的频率(每天、每周、每小时等)和事件发生的时间长度(一个月、一年、一天等)。

在本教程中，我们将使用PyTorch-LSTM进行深度学习时间序列预测。

我们的目标是接收一个值序列，预测该序列中的下一个值。最简单的方法是使用自回归模型，我们将专注于使用LSTM来解决这个问题。

数据准备

让我们看一个时间序列样本。下图显示了2013年至2025年石油价格的一些数据。

这只是一个日期轴上单个数字序列的图。下表显示了这个时间序列的前10个条目。每天都有价格数据。

datedcoilwtico

2013-01-01NaN

2013-01-0293.14

2013-01-0392.97

2013-01-0493.12

2013-01-0793.20

2013-01-0893.21

2013-01-0993.08

2013-01-1093.81

2013-01-1193.60

2013-01-1494.27

许多机器学习模型在标准化数据上的表现要好得多。标准化数据的标准方法是对数据进行转换，使得每一列的均值为0，标准差为1。下面的代码scikit-learn进行标准化

fromsklearn.preprocessingimportStandardScaler

#Fitscalers

scalers={}

forxindf.columns:

scalers[x]=StandardScaler().fit(df[x].values.reshape(-1,1))

#Transformdataviascalers

norm_df=df.copy()

fori,keyinenumerate(scalers.keys()):

norm=scalers[key].transform(norm_df.iloc[:,i].values.reshape(-1,1))

norm_df.iloc[:,i]=norm

我们还希望数据具有统一的频率在这个例子中，有这5年里每天的石油价格，如果你的数据情况并非如此，Pandas有几种不同的方法来重新采样数据以适应统一的频率，请参考我们公众号以前的文章

对于训练数据我们需要将完整的时间序列数据截取成固定长度的序列。假设我们有一个序列：[1,2,3,4,5,6]。

通过选择长度为3的序列，我们可以生成以下序列及其相关目标：

[Sequence]Target

[1,2,3]4

[2,3,4]5

[3,4,5]6

或者说我们定义了为了预测下一个值需要回溯多少步。我们将这个值称为训练窗口，而要预测的值的数量称为预测窗口。在这个例子中，它们分别是3和1。下面的函数详细说明了这是如何完成的。

#如上所示，定义一个创建序列和目标的函数

defgenerate_sequences(df:pd.DataFrame,tw:int,pw:int,target_columns,drop_targets=False):

df:PandasDataFrameoftheunivariatetime-series

tw:TrainingWindow-Integerdefininghowmanystepstolookback

pw:PredictionWindow-Integerdefininghowmanystepsforwardtopredict

returns:dictionaryofsequencesandtargetsforallsequences

data=dict()#Storeresultsintoadictionary

L=len(df