47、时间序列预测：从简单RNN到复杂模型的探索

时间序列预测：从简单RNN到复杂模型的探索

1. 时间序列简介

在实际生活中，我们常常会遇到各种随时间变化的数据，比如网站每小时的活跃用户数、城市的每日温度，或者公司按季度用多个指标衡量的财务健康状况等。这些数据在每个时间步都包含一个或多个值，形成了时间序列。

如果每个时间步只有一个值，那就是单变量时间序列，像前面提到的网站活跃用户数和城市每日温度；而如果每个时间步有多个值，例如公司的收入、债务等，那就是多变量时间序列。时间序列的常见任务有两个：一是预测未来值，即预测；二是填补过去缺失的值，即插补。

为了方便后续的实验，我们使用 generate_time_series() 函数来生成时间序列：

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)) # + wave 2 
    series += 0.1 * (np.random.rand(batch_size, n_steps) - 0.5)