TensorFlow搭建LSTM实现多变量多步长时间序列预测（五）：seq2seq

Cyril_KI

已于 2024-10-09 22:46:05 修改

阅读量6.5k

点赞数 10

分类专栏：时间序列预测 TensorFlow 文章标签： tensorflow lstm 时间序列预测负荷预测 seq2seq

于 2022-08-27 22:50:43 首次发布

本文链接：https://blog.youkuaiyun.com/Cyril_KI/article/details/126563659

版权

时间序列预测同时被 2 个专栏收录

51 篇文章

订阅专栏

TensorFlow

17 篇文章

订阅专栏

本文介绍了一种基于Seq2Seq模型的时间序列预测方法，并详细展示了使用TensorFlow搭建模型的过程，包括数据处理、模型搭建、训练及测试等环节。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

I. 前言

系列文章：

II. seq2seq

seq2seq由两部分组成：Encoder和Decoder。seq2seq的输入是一个序列，输出也是一个序列，经常用于时间序列预测。关于seq2seq的具体原理可以参考：DL入门(3)：循环神经网络（RNN）。

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）。

数据处理代码和前面的直接多输出预测一致。

3.2 模型搭建

模型搭建分为三个步骤：编码器、解码器以及seq2seq。

首先是Encoder：

class Encoder(keras.Model):
    def __init__(self, args):
        super().__init__()
        self.lstm = layers.LSTM(units=args.hidden_size, input_shape=(args.seq_len, args.input_size),
                                activation='tanh', return_sequences=True, return_state=True)

    def call(self, input_seq):
        output, h, c = self.lstm(input_seq)

        return h, c

一般来讲编码器采用的就是RNN网络，这里采用了LSTM将原始数据进行编码，然后将LSTM的最后的隐状态和单元状态返回。

接着是解码器Decoder：

class Decoder(keras.Model):
    def __init__(self, args):
        super().__init__()
        self.lstm = layers.LSTM(units=args.hidden_size, input_shape=(args.seq_len, args.input_size),
                                activation='tanh', return_sequences=True, return_state=True)
        self.fc1 = layers.Dense(64, activation='relu')
        self.fc2 = layers.Dense(args.input_size)

    def call(self, input_seq, h, c):
        # input_seq(batch_size, input_size)
        batch_size, input_size = input_seq.shape[0], input_seq.shape[1]
        input_seq = tf.reshape(input_seq, [batch_size, 1, input_size])
        output, h, c = self.lstm(input_seq, initial_state=[h, c])
        # output(batch_size, seq_len, num * hidden_size)
        pred = self.fc1(tf.squeeze(output, axis=1))  # pred(batch_size, 1, output_size)
        pred = self.fc2(pred)

        return pred, h, c

解码器同样也由LSTM组成，不过解码器的初始的隐状态和单元状态是编码器的输出。此外，解码器每次输入都是上次的输出。

最后定义seq2seq：

class Seq2Seq(keras.Model):
    def __init__(self, args):
        super().__init__()
        self.args = args
        self.Encoder = Encoder(args)
        self.Decoder = Decoder(args)

    def call(self, input_seq):
        batch_size, seq_len, input_size = input_seq.shape[0], input_seq.shape[1], input_seq.shape[2]
        h, c = self.Encoder(input_seq)
        outputs = []
        decoder_input = input_seq[:, -1, :]
        target_len = self.args.output_size
        for t in range(target_len):
            decoder_output, h, c = self.Decoder(decoder_input, h, c)
            outputs.append(decoder_output)
            decoder_input = decoder_output

        outputs = tf.stack(outputs, axis=2)
        return outputs[:, 0, :]