700字范文 > PyTorch搭建LSTM实现多变量时间序列预测（负荷预测）

PyTorch搭建LSTM实现多变量时间序列预测（负荷预测）

时间：2023-08-15 07:07:55

I. 前言

在前面的一篇文章PyTorch搭建LSTM实现时间序列预测（负荷预测）中，我们利用LSTM实现了负荷预测，但我们只是简单利用负荷预测负荷，并没有利用到其他一些环境变量，比如温度、湿度等。

本篇文章主要考虑用PyTorch搭建LSTM实现多变量时间序列预测。

系列文章：

深入理解PyTorch中LSTM的输入和输出（从input输入到Linear输出）PyTorch搭建LSTM实现时间序列预测（负荷预测）PyTorch搭建LSTM实现多变量时间序列预测（负荷预测）PyTorch搭建双向LSTM实现时间序列预测（负荷预测）PyTorch搭建LSTM实现多变量多步长时间序列预测（一）：直接多输出PyTorch搭建LSTM实现多变量多步长时间序列预测（二）：单步滚动预测PyTorch搭建LSTM实现多变量多步长时间序列预测（三）：多模型单步预测PyTorch搭建LSTM实现多变量多步长时间序列预测（四）：多模型滚动预测PyTorch搭建LSTM实现多变量多步长时间序列预测（五）：seq2seqPyTorch中实现LSTM多步长时间序列预测的几种方法总结（负荷预测）PyTorch-LSTM时间序列预测中如何预测真正的未来值PyTorch搭建LSTM实现多变量输入多变量输出时间序列预测（多任务学习）PyTorch搭建ANN实现时间序列预测（风速预测）PyTorch搭建CNN实现时间序列预测（风速预测）PyTorch搭建CNN-LSTM混合模型实现多变量多步长时间序列预测（负荷预测）PyTorch搭建Transformer实现多变量多步长时间序列预测（负荷预测）PyTorch时间序列预测系列文章总结（代码使用方法）TensorFlow搭建LSTM实现时间序列预测（负荷预测）TensorFlow搭建LSTM实现多变量时间序列预测（负荷预测）TensorFlow搭建双向LSTM实现时间序列预测（负荷预测）TensorFlow搭建LSTM实现多变量多步长时间序列预测（一）：直接多输出TensorFlow搭建LSTM实现多变量多步长时间序列预测（二）：单步滚动预测TensorFlow搭建LSTM实现多变量多步长时间序列预测（三）：多模型单步预测TensorFlow搭建LSTM实现多变量多步长时间序列预测（四）：多模型滚动预测TensorFlow搭建LSTM实现多变量多步长时间序列预测（五）：seq2seqTensorFlow搭建LSTM实现多变量输入多变量输出时间序列预测（多任务学习）TensorFlow搭建ANN实现时间序列预测（风速预测）TensorFlow搭建CNN实现时间序列预测（风速预测）TensorFlow搭建CNN-LSTM混合模型实现多变量多步长时间序列预测（负荷预测）

II. 数据处理

数据集为某个地区某段时间内的电力负荷数据，除了负荷以外，还包括温度、湿度等信息。

本文中，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下一时刻的负荷。最终得到了batch_size=B的数据集Dtr、Val以及Dte，Dtr为训练集，Val为验证集，Dte为测试集。

任意输出Dte中的一条数据：

[(tensor([[0.3513, 0.0000, 0.9091, 0.0000, 0.6667, 0.3023, 0.2439],[0.3333, 0.0000, 0.9091, 0.0435, 0.6667, 0.3023, 0.2439],[0.3396, 0.0000, 0.9091, 0.0870, 0.6667, 0.3023, 0.2439],[0.3427, 0.0000, 0.9091, 0.1304, 0.6667, 0.3023, 0.2439],[0.3838, 0.0000, 0.9091, 0.1739, 0.6667, 0.3023, 0.2439],[0.3700, 0.0000, 0.9091, 0.2174, 0.6667, 0.3023, 0.2439],[0.4288, 0.0000, 0.9091, 0.2609, 0.6667, 0.3023, 0.2439],[0.4474, 0.0000, 0.9091, 0.3043, 0.6667, 0.3023, 0.2439],[0.4406, 0.0000, 0.9091, 0.3478, 0.6667, 0.3023, 0.2439],[0.4657, 0.0000, 0.9091, 0.3913, 0.6667, 0.3023, 0.2439],[0.4540, 0.0000, 0.9091, 0.4348, 0.6667, 0.3023, 0.2439],[0.4939, 0.0000, 0.9091, 0.4783, 0.6667, 0.3023, 0.2439],[0.4328, 0.0000, 0.9091, 0.5217, 0.6667, 0.3023, 0.2439],[0.4238, 0.0000, 0.9091, 0.5652, 0.6667, 0.3023, 0.2439],[0.4779, 0.0000, 0.9091, 0.6087, 0.6667, 0.3023, 0.2439],[0.4591, 0.0000, 0.9091, 0.6522, 0.6667, 0.3023, 0.2439],[0.4651, 0.0000, 0.9091, 0.6957, 0.6667, 0.3023, 0.2439],[0.5102, 0.0000, 0.9091, 0.7391, 0.6667, 0.3023, 0.2439],[0.5067, 0.0000, 0.9091, 0.7826, 0.6667, 0.3023, 0.2439],[0.4635, 0.0000, 0.9091, 0.8261, 0.6667, 0.3023, 0.2439],[0.4224, 0.0000, 0.9091, 0.8696, 0.6667, 0.3023, 0.2439],[0.3796, 0.0000, 0.9091, 0.9130, 0.6667, 0.3023, 0.2439],[0.3292, 0.0000, 0.9091, 0.9565, 0.6667, 0.3023, 0.2439],[0.2940, 0.0000, 0.9091, 1.0000, 0.6667, 0.3023, 0.2439]]), tensor([0.3675]))]

每一行对应一个时刻点的负荷以及环境变量，此时input_size=7。

III. LSTM模型

这里采用了深入理解PyTorch中LSTM的输入和输出（从input输入到Linear输出）中的模型：

class LSTM(nn.Module):def __init__(self, input_size, hidden_size, num_layers, output_size, batch_size):super().__init__()self.input_size = input_sizeself.hidden_size = hidden_sizeself.num_layers = num_layersself.output_size = output_sizeself.num_directions = 1 # 单向LSTMself.batch_size = batch_sizeself.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, input_seq):batch_size, seq_len = input_seq.shape[0], input_seq.shape[1]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(batch_size, seq_len, num_directions * hidden_size)output, _ = self.lstm(input_seq, (h_0, c_0)) # output(5, 30, 64)pred = self.linear(output) # (5, 30, 1)pred = pred[:, -1, :] # (5, 1)return pred