47、时间序列预测：从简单RNN到深度RNN的探索

时间序列预测：从简单RNN到深度RNN的探索

1. 时间序列基础

在实际应用中，我们常常会遇到各种时间序列数据。比如，网站每小时的活跃用户数、城市的每日温度，或者公司按季度通过多个指标衡量的财务健康状况。这些数据都是每个时间步包含一个或多个值的序列，被称为时间序列。
- 单变量时间序列 ：像网站活跃用户数和城市每日温度，每个时间步只有一个值，属于单变量时间序列。
- 多变量时间序列 ：公司财务数据，每个时间步有多个值（如公司收入、债务等），则是多变量时间序列。

时间序列分析的常见任务包括预测未来值（即预测）和填补过去缺失的值（即插补）。

为了方便后续的分析和模型训练，我们使用 generate_time_series() 函数生成时间序列：

import numpy as np

def generate_time_series(batch_size, n_steps): 
    freq1, freq2, offsets1, offsets2 = np.random.rand(4, batch_size, 1) 
    time = np.linspace(0, 1, n_steps) 
    series = 0.5 * np.sin((time - offsets1) * (freq1 * 10 + 10))  # wave 1 
    series += 0.2 * np.sin((time - offsets2) * (freq2 * 20 + 20)) #