python多变量时间序列预测多变量时间序列建模

转载

mob64ca14085c24 2023-10-06 14:08:51

文章标签 python多变量时间序列预测 tensorflow lstm 时间序列预测多步预测 文章分类 Python 后端开发

I. 前言

II. 多模型单步预测

所谓多模型单步预测：比如前10个预测后3个，那么我们可以训练三个模型分别根据[1…10]预测[11]、[12]以及[13]。也就是说如果需要进行n步预测，那么我们一共需要训练n个LSTM模型，缺点很突出。

III. 代码实现

3.1 数据处理

我们根据前24个时刻的负荷以及该时刻的环境变量来预测接下来12个时刻的负荷（步长pred_step_size可调）。

简单来说，如果需要利用前24个值预测接下来12个值，那么我们需要生成12个数据集。

3.2 模型搭建

模型和之前的文章一致：

class LSTM(keras.Model):
    def __init__(self, args):
        super(LSTM, self).__init__()
        self.lstm = Sequential()
        for i in range(args.num_layers):
            self.lstm.add(layers.LSTM(units=args.hidden_size, input_shape=(args.seq_len, args.input_size),
                                      activation='tanh', return_sequences=True))
        self.fc1 = layers.Dense(64, activation='relu')
        self.fc2 = layers.Dense(args.output_size)

    def call(self, data, training=None, mask=None):
        x = self.lstm(data)
        x = self.fc1(x)
        x = self.fc2(x)

        return x[:, -1:, :]

3.3 模型训练/测试

与前文不同的是，这种方法需要训练多个模型：

if __name__ == '__main__':
    flag = 'mmss'
    Dtrs, Vals, Dtes, m, n = load_data(args, flag, batch_size=args.batch_size)
    for Dtr, Val, path in zip(Dtrs, Vals, LSTM_PATHS):
        train(args, Dtr, Val, path)
    Dtrs, Vals, Dtes, m, n = load_data(args, flag, batch_size=1)
    m_test(args, Dtes, LSTM_PATHS, [m, n])

模型测试：多步预测的每一步，都需要用不同的模型来进行预测。值得注意的是，在正式预测时，数据的batch_size需要设置为1。