TensorFlow搭建LSTM实现多变量时间序列预测（负荷预测）

已于 2024-10-09 22:44:10 修改
阅读量5.4k 收藏 38
点赞数 3
分类专栏： 时间序列预测 TensorFlow 文章标签： tensorflow lstm 时序预测 负荷预测
于 2022-08-19 21:16:48 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/Cyril_KI/article/details/126430942
版权
本文介绍如何使用TensorFlow构建LSTM模型进行多变量时间序列预测，考虑了温度、湿度等因素对负荷预测的影响。通过前24个时刻的负荷和环境变量预测下一时刻的负荷，训练后得到MAPE为4.14%。模型结构包含多层LSTM和全连接层。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

目录

I. 前言

在前面的一篇文章TensorFlow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TensorFlow搭建LSTM实现多变量时间序列预测。

系列文章：

  1. 深入理解PyTorch中LSTM的输入和输出（从input输入到Linear输出）
  2. PyTorch搭建LSTM实现时间序列预测（负荷预测）
  3. PyTorch中利用LSTMCell搭建多层LSTM实现时间序列预测
  4. PyTorch搭建LSTM实现多变量时间序列预测（负荷预测）
  5. PyTorch搭建双向LSTM实现时间序列预测（负荷预测）
  6. PyTorch搭建LSTM实现多变量多步长时间序列预测（一）：直接多输出
  7. 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
  8. 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
  9. 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
  10. PyTorch搭建LSTM实现多变量多步长时间序列预测（五）：seq2seq
  11. PyTorch中实现LSTM多步长时间序列预测的几种方法总结（负荷预测）
  12. PyTorch-LSTM时间序列预测中如何预测真正的未来值
  13. 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）
  14. PyTorch搭建ANN实现时间序列预测（风速预测）
  15. PyTorch搭建CNN实现时间序列预测（风速预测）
  16. 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）
  17. PyTorch搭建Transformer实现多变量多步长时间序列预测（负荷预测）
  18. PyTorch时间序列预测系列文章总结（代码使用方法）
  19. TensorFlow搭建LSTM实现时间序列预测（负荷预测）
  20. TensorFlow搭建LSTM实现多变量时间序列预测（负荷预测）
  21. TensorFlow搭建双向LSTM实现时间序列预测（负荷预测）
  22. TensorFlow搭建LSTM实现多变量多步长时间序列预测（一）：直接多输出
  23. 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
  24. 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
  25. 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
  26. TensorFlow搭建LSTM实现多变量多步长时间序列预测（五）：seq2seq
  27. TensorFlow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）
  28. TensorFlow搭建ANN实现时间序列预测（风速预测）
  29. TensorFlow搭建CNN实现时间序列预测（风速预测）
  30. 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）
  31. PyG搭建图神经网络实现多变量输入多变量输出时间序列预测
  32. PyTorch搭建GNN-LSTM和LSTM-GNN模型实现多变量输入多变量输出时间序列预测
  33. PyG Temporal搭建STGCN实现多变量输入多变量输出时间序列预测
  34. 时序预测中Attention机制是否真的有效？盘点LSTM/RNN中24种Attention机制+效果对比
  35. 详解Transformer在时序预测中的Encoder和Decoder过程：以负荷预测为例
  36. (PyTorch)TCN和RNN/LSTM/GRU结合实现时间序列预测
  37. PyTorch搭建Informer实现长序列时间序列预测
  38. PyTorch搭建Autoformer实现长序列时间序列预测
  39. PyTorch搭建GNN(GCN、GraphSAGE和GAT)实现多节点、单节点内多变量输入多变量输出时空预测

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。

任意输出一条数据：

(<tf.Tensor: shape=(24, 7), dtype=float32, numpy=
array([[0.36147627, 0.        , 0.90909094, 0.        , 0.8333333 ,
        0.3255814 , 0.24390244],
       [0.3429366 , 0.        , 0.90909094, 0.        , 0.8333333 ,
        0.3255814 , 0.24390244],
       [0.34939995, 0.        , 0.90909094, 0.        , 0.8333333 ,
        0.3255814 , 0.24390244],
       [0.35257494, 0.        , 0.90909094, 0.        , 0.8333333 ,
        0.3255814 , 0.24390244],
       [0.39485145, 0.        , 0.90909094, 0.        , 0.8333333 ,
        0.3255814 , 0.24390244],
       [0.38066387, 0.        , 0.90909094, 0.        , 0.8333333 ,
        0.3255814 , 0.24390244],
       [0.44114256, 0.        , 0.90909094, 0.        , 0.8333333 ,
        0.3255814 , 0.24390244],
       [0.4603167 , 0.        , 0.90909094, 0.        , 0.8333333 ,
        0.3255814 , 0.24390244],
       [0.45330796, 0.        , 0.90909094, 0.        , 0.8333333 ,
        0.3255814 , 0.24390244],
       [0.47912365, 0.        , 0.90909094, 0.        , 0.8333333 ,
        0.3255814 , 0.24390244],
       [0.46706894, 0.        , 0.90909094, 0.        , 0.8333333 ,
        0.3255814 , 0.24390244],
       [0.5081953 , 0.        , 0.90909094, 0.        , 0.8333333 ,
        0.3255814 , 0.24390244],
       [0.4452976 , 0.        , 0.90909094, 0.        , 0.8333333 ,
        0.3255814 , 0.24390244],
       [0.4360156 , 0.        , 0.90909094, 0.        , 0.8333333 ,
        0.3255814 , 0.24390244],
       [0.4917237 , 0.        , 0.90909094, 0.        , 0.8333333 ,
        0.3255814 , 0.24390244],
       [0.4723147 , 0.        , 0.90909094, 0.        , 0.8333333 ,
        0.3255814 , 0.24390244],
       [0.47849187, 0.        , 0.90909094, 0.        , 0.8333333 ,
        0.3255814 , 0.24390244],
       [0.524864  , 0.        , 0.90909094, 0.        , 0.8333333 ,
        0.3255814 , 0.24390244],
       [0.52128404, 0.        , 0.90909094, 0.        , 0.8333333 ,
        0.3255814 , 0.24390244],
       [0.47682068, 0.        , 0.90909094, 0.        , 0.8333333 ,
        0.3255814 , 0.24390244],
       [0.4345901 , 0.        , 0.90909094, 0.        , 0.8333333 ,
        0.3255814 , 0.24390244],
       [0.39052632, 0.        , 0.90909094, 0.        , 0.8333333 ,
        0.3255814 , 0.24390244],
       [0.33869517, 0.        , 0.90909094, 0.        , 0.8333333 ,
        0.3255814 , 0.24390244],
       [0.3025095 , 0.        , 0.90909094, 0.        , 0.8333333 ,
        0.3255814 , 0.24390244]], dtype=float32)>, <tf.Tensor: shape=(1,), dtype=float32, numpy=array([0.37805316], dtype=float32)>)

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TensorFlow搭建LSTM实现时间序列预测（负荷预测）中的模型：

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:, :]

IV. 训练/测试

简单训练了30轮，MAPE为4.14%：
在这里插入图片描述

V. 源码及数据

后面将陆续公开~

时间序列预测 — LSTM实现多变量多步负荷预测(Tensorflow)：直接多输出
几度春风里的博客
11-27 2594
实验数据集采用数据集6：澳大利亚电力负荷与价格预测数据（下载链接），包括数据集包括日期、小时、干球温度、露点温度、湿球温度、湿度、电价、电力负荷特征，时间间隔30min。单独查看部分负荷数据，发现有较强的规律性。
时间序列预测 — LSTM实现多变量多步负荷预测(Tensorflow)：多输入多输出
几度春风里的博客
01-06 2661
整体的思路也就是取出预测前48*7行数据预测未来的6行数据，然后见6行数据添加进历史数据，再预测6行数据，滚动预测。（注意多变量预测多变量预测的是多列，预测单变量只有一列）通过前7天的48*7行数据预测后1天的数据48个，需要对数据集进行滚动划分（也就是前48*7行的数据和后6行的数据训练，后面预测时就可通过48*7行数据测未来的6行标签，然后将6行预测值添加到历史数据中，历史数据变为48*7+6个，再取出后48*7行数据进行预测，得到6行预测值，滚动进行预测直到预测完成，注意此时的预测值是行而不是个）
PyTorch--用循环神经网络LSTM预测时间序列
胖虎卖汤圆的博客
03-02 1万+
LSTM使解决序列问题用处最广的算法之一，在这篇文章中，我们可以知道怎么使用LSTM来预测时间序列。当然，这个算法还有很多提升空间，由于循环神经网络容易出现梯度爆炸的情况，我们可以加入梯度裁剪；为了减少泛化误差，我们可以使用k折交叉验证等等方法来优化模型。
LSTM对比Bi-LSTM的电力负荷时间序列预测（Matlab）
weixin_46039719的博客
11-30 2097
由于电力负荷具有很强的时间相关性，仅通过上一时刻的负荷预测下一时刻的负荷并不能有效的反应复杂的时间关系，同时也没有充分的利用历史负荷数据的全部信息。本文使用LSTM和Bi-LSTM，以电力负荷预测为例对比了两者的预测性能，其中将电力负荷构造为滑动时间窗的形式作为网络输出输入，实现LSTM与Bi-LSTM网络的多输入单输出模型，相比于单输入单输出的模型有更高的准确性。如上图所示，在t时刻时黄色每一个小框都表示一个时间节点的输入数据，蓝色的小框表示输出数据，将3个黄色小框作为输入预测蓝色小框中的数据；
突破LSTM！结合CNN多变量时间序列预测 ！！
最新发布
m0_59235699的博客
03-24 891
LSTM 是一种特殊的循环神经网络（RNN），旨在解决 RNN 的梯度消失与梯度爆炸问题。它通过引入“门控机制”，能够在时间序列中记住长时间的依赖关系，同时避免对无关信息的记忆。LSTM 单元的核心在于一个“细胞状态” ()，它能够通过线性传递保留重要信息。此外，LSTM 包括三个门控单元：遗忘门、输入门和输出门，用于控制信息的流动。
基于LSTM神经网络的负荷预测（Python代码实现）
2201_75454341的博客
12-17 6019
电力系统负荷（电力需求量，即有功功率）预测是指充分考虑历史的系统负荷、经济状况、气象条件和社会事件等因素的影响，对未来一段时间的系统负荷做出预测。负荷预测是电力系统规划与调度的一项重要内容。短期（两周以内）预测是电网内部机组启停、调度和运营计划制定的基础；中期（未来数月）预测可为保障企业生产和社会生活用电，合理安排电网的运营与检修决策提供支持；长期（未来数年）预测可为电网改造、扩建等计划的制定提供参考，以提高电力系统的经济效益和社会效益。
深入理解PyTorch中LSTM的输入和输出（从input输入到Linear输出）
KI的博客
01-18 9万+
深入理解PyTorch中LSTM的输入和输出（从input输入到Linear输出）
Tensorflow下构建LSTM模型
11-19
深度学习在自然语言处理中的应用，Tensorflow下构建LSTM模型进行序列化标注
PyTorch搭建LSTM实现时间序列预测（负荷预测）
热门推荐
KI的博客
01-18 10万+
PyTorch搭建LSTM实现时间序列预测（负荷预测）
pytorch实现LSTM（附code）
ting_qifengl的博客
01-23 7万+
最近搞了一个NASA PCoE的IGBT加速老化数据，想基于pytorch框架写一个LSTM模型进行IGBT退化状态的预测，于是有了这篇文章。 注：LSTM的原理就不多讲了，网上一大堆，不懂的自己去百度，本文主要侧重代码实现。 一、数据集介绍 本数据集是NASA PCoE研究中心公布的IGBT加速老化数据集。数据集含有四种实验条件下的IGBT加速老化数据，以下是实验条件： （1）新设备的源测量单元（SMU data for new devices） 该文件中含有一组原始实验条件下的电气特性数据，分
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）
KI的博客
06-12 3万+
PyTorch搭建LSTM实现多变量输入多变量输出时间序列预测
Pytorch实现的LSTM、RNN模型结构
知识搬运者
09-19 4136
LSTM的另外两个输入是 h0 和 c0，可以理解成网络的初始化参数，用随机数生成即可。
pytorch-forecasting:使用PyTorch进行时间序列预测
03-18
我们关于“ 文章介绍了该软件包，并提供了背景信息。 Pytorch Forecasting旨在通过神经网络简化实际案例和研究的最新时间序列预测。目标是为高级专业人员提供最大程度的灵活性，并为初学者提供合理的默认值的高级API。具体来说，该软件包提供了 一个时间序列数据集类，它抽象化处理变量转换，缺失值，随机子采样，多个历史记录长度等。 基本模型类，提供时间序列模型的基本训练，以及在张量板中的记录和通用可视化，例如实际与预测以及依存关系图 用于时间序列预测的多种神经网络体系结构已针对实际部署进行了增强，并具有内置的解释功能 多地平线时间序列指标 Ranger优化器，用于更快的模型训练 使用调整 该程序包基于构建，可以直接使用CPU，单个和多个GPU进行培训。 安装 如果您在Windows上工作，则需要先使用以下命令安装PyTorch： pip install torch -f https
Python-在PyTorch中使用LSTM进行风速预测
08-11
在PyTorch中使用LSTM进行风速预测
pytorch利用LSTM实现对股票进行多变量多步预测
09-10
pytorch利用LSTM实现对股票进行多变量多步预测
时间序列预测 — CNN-LSTM实现多变量多步光伏预测(Tensorflow)
几度春风里的博客
12-12 3471
最后一层是 LSTM 层， 这一层是根据 CNN 处理后的特征数据，对其模型进行进一步的维度修偏， 权重修正等工作， 为下一步输出精度较高的预测值做好准备， 在 LSTM 训练的过程中， 由于其神经网络内部包括了输入、 遗忘和输出门， 通常的做法是通过增减遗忘门和输入门的个数， 来控制算法的精度。构造训练数据，也是真正预测未来的关键。​​数据处理前，需要对数据进行归一化，按照上面的方法划分数据，这里返回划分的数据和归一化模型，因为是多变量，特征和标签分开归一化，不然后面归一化会有信息泄露的问题。
时间序列预测 — BiLSTM实现多变量多步光伏预测(Tensorflow)
几度春风里的博客
12-09 1902
通过前5天的timesteps数据预测后一天的数据predict_steps个，需要对数据集进行滚动划分（也就是前timesteps行的特征和后predict_steps行的标签训练，后面预测时就可通过timesteps行特征预测未来的predict_steps个标签）。通过前5天的96*5数据预测后一天的数据96个，需要对数据集进行滚动划分（也就是前96*5行的特征和后96行的标签训练，后面预测时就可通过96*5行特征预测未来的96个标签）构造训练数据，也是真正预测未来的关键。网络模块的链式形式。
时间序列预测 — VMD-LSTM实现单变量多步光伏预测(Tensorflow)：单变量转为多变量预测多变量
几度春风里的博客
01-06 2099
整体的思路也就是取出预测前96*6行数据预测未来的12行数据，然后见12行数据添加进历史数据，再预测12行数据，滚动预测。通过前7天的96*7行数据预测后一天的数据12个，需要对数据集进行滚动划分（也就是前96*7行的数据和后12*7行的数据训练，后面预测时就可通过96*7行数据测未来的12*7个标签，然后将12行预测值添加到历史数据中，历史数据变为96*7+12个，再取出后96*7个数据进行预测，得到12行预测值，滚动进行预测直到预测完成，注意此时的预测值是行而不是个）然后对数据进行预测，得到预测结果。
深度学习基础训练：pytorch实现LSTM
m0_73916791的博客
11-02 1221
本文不讲解LSTM的理论基础，提供了一个简单的代码实现供参考1.4f一开始比较疑惑为什么cpu版本比gpu版本还快，发现是batch_size设的太小了的原因导致gpu并行计算的能力没有完全体现.4f。
pytorch LSTM时间序列预测
08-13
PyTorch是一个流行的深度学习框架，它提供了强大的工具来构建和训练各种神经网络模型，包括LSTM模型用于时间序列预测。在PyTorch中，我们可以使用torch.nn模块来构建LSTM模型。 以下是一个简单的示例代码，展示了如何使用PyTorch中的LSTM模型进行时间序列预测： ```python import torch import torch.nn as nn # 定义LSTM模型 class LSTMModel(nn.Module): def __init__(self, input_size, hidden_size, output_size): super(LSTMModel, self).__init__() self.hidden_size = hidden_size self.lstm = nn.LSTM(input_size, hidden_size) self.fc = nn.Linear(hidden_size, output_size) def forward(self, input): output, _ = self.lstm(input) output = self.fc(output[:, -1, :]) return output # 定义输入数据 input_size = 1 hidden_size = 64 output_size = 1 seq_len = 10 batch_size = 32 # 创建LSTM模型实例 model = LSTMModel(input_size, hidden_size, output_size) # 定义损失函数和优化器 criterion = nn.MSELoss() optimizer = torch.optim.Adam(model.parameters(), lr=0.001) # 训练模型 for epoch in range(num_epochs): # 前向传播 output = model(input) loss = criterion(output, target) # 反向传播和优化 optimizer.zero_grad() loss.backward() optimizer.step() # 使用训练好的模型进行预测 predicted = model(input) ``` 这是一个简单的LSTM模型示例，你可以根据自己的需求调整模型的结构和参数。注意，这只是一个示例，实际应用中可能需要根据具体问题进行更多的调整和改进。 参考文献： ：https://github.com/Tuniverj/Pytorch-lstm-forecast<span class="em">1</span><span class="em">2</span><span class="em">3</span> #### 引用[.reference_title] - *1* *3* [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）](https://blog.youkuaiyun.com/Cyril_KI/article/details/126596555)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v92^chatsearchT0_1"}}] [.reference_item style="max-width: 50%"] - *2* [基于pytorch搭建多特征LSTM时间序列预测代码详细解读（附完整代码）](https://blog.youkuaiyun.com/hardworking_T/article/details/126673957)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v92^chatsearchT0_1"}}] [.reference_item style="max-width: 50%"] [ .reference_list ]
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

Cyril_KI

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值