【转】6 种用 LSTM 做时间序列预测的模型结构 - Keras 实现

关注

转载最新推荐文章于 2026-05-18 06:21:15 发布 786 阅读 AI 写同款· GEO 优化 ›

使用Keras实现基于注意力机制（Attention）的 LSTM 时间序列预测时隔半年多，毕设男孩终于重操旧业，回到了 LSTM进行时间序列预测和异常检测的路上。如果有阅读过我之前的博客，可以发现使用 LSTM作单类的时间序列异常检测也是基于对于时间序列的预测进行登堂入室LSTM：使用LSTM进行简单的时间序列异常检测本次我们要进行的是使用注意力机制 + LSTM 进行时间序列预测，项目地址为Keras Attention Mechanism 首先我们把它git... 阅读详情

LSTM(Long Short Term Memory Network)长短时记忆网络，是一种改进之后的循环神经网络，可以解决 RNN 无法处理长距离的依赖的问题，在时间序列预测问题上面也有广泛的应用。

今天我们根据问题的输入输出模式划分，来看一下几种时间序列问题所对应的 LSTM 模型结构如何实现。

1. Univariate

Univariate 是指：

input 为多个时间步，
output 为一个时间的问题。

数例：

训练集：
X,          y
10, 20, 30      40
20, 30, 40      50
30, 40, 50      60
…


预测输入：
X，
70, 80, 90

模型的 Keras 代码：

# define model【Vanilla LSTM】

model = Sequential()
model.add( LSTM(50,  activation='relu',  input_shape = (n_steps, n_features)) )
model.add( Dense(1) )
model.compile(optimizer='adam', loss='mse')

n_steps = 3
n_features = 1

其中：

n_steps 为输入的 X 每次考虑几个时间步
n_features 为每个时间步的序列数

这个是最基本的模型结构，我们后面几种模型会和这个进行比较。

2. Multiple Input

Multiple Input 是指：

input 为多个序列，
output 为一个序列的问题。

数例：

训练集：
X，       y
[[10 15]
 [20 25]
 [30 35]] 65
[[20 25]
 [30 35]
 [40 45]] 85
[[30 35]
 [40 45]
 [50 55]] 105
[[40 45]
 [50 55]
 [60 65]] 125
…


预测输入：
X，
80,  85
90,  95
100,     105

即数据样式为：

in_seq1： [10, 20, 30, 40, 50, 60, 70, 80, 90]
in_seq2： [15, 25, 35, 45, 55, 65, 75, 85, 95]

out_seq： [in_seq1[i]+in_seq2[i] for i in range(len(in_seq1))]

模型的 Keras 代码：

# define model【Vanilla LSTM】
model = Sequential()
model.add(LSTM(50, activation='relu', input_shape=(n_steps, n_features)))
model.add(Dense(1))
model.compile(optimizer='adam', loss='mse')

n_steps = 3
# 此例中 n features = 2，因为输入有两个并行序列
n_features = X.shape[2]

其中：

n_steps 为输入的 X 每次考虑几个时间步
n_features 此例中 = 2，因为输入有两个并行序列

和 Univariate 相比：

模型的结构代码是一样的，只是在 n_features = X.shape[2]，而不是 1.

3. Multiple Parallel

Multiple Parallel 是指：

input 为多个序列，
output 也是多个序列的问题。

数例：

训练集：
X,          y
[[10 15 25]
 [20 25 45]
 [30 35 65]] [40 45 85]
[[20 25 45]
 [30 35 65]
 [40 45 85]] [ 50  55 105]
[[ 30  35  65]
 [ 40  45  85]
 [ 50  55 105]] [ 60  65 125]
[[ 40  45  85]
 [ 50  55 105]
 [ 60  65 125]] [ 70  75 145]
…


预测输入：
X，
70, 75, 145
80, 85, 165
90, 95, 185

模型的 Keras 代码：

# define model【Vanilla LSTM】
model = Sequential()
model.add(LSTM(100, activation='relu', return_sequences=True, input_shape=(n_steps, n_features)))
model.add(Dense(n_features))
model.compile(optimizer='adam', loss='mse')

n_steps = 3
# 此例中 n features = 3，因为输入有3个并行序列
n_features = X.shape[2]

其中：

n_steps 为输入的 X 每次考虑几个时间步
n_features 此例中 = 3，因为输入有 3 个并行序列

和 Univariate 相比：

模型结构的定义中，多了一个 return_sequences=True，即返回的是序列，
输出为 Dense(n_features)，而不是 1.

4. Multi-Step

Multi-Step 是指：

input 为多个时间步，
output 也是多个时间步的问题。

数例：

训练集：
X,          y
[10 20 30] [40 50]
[20 30 40] [50 60]
[30 40 50] [60 70]
[40 50 60] [70 80]
…


预测输入：
X，
[70, 80, 90]

模型的 Keras 代码：

# define model【Vanilla LSTM】
model = Sequential()
model.add(LSTM(100, activation='relu', return_sequences=True, input_shape=(n_steps_in, n_features)))
model.add(LSTM(100, activation='relu'))
model.add(Dense(n_steps_out))
model.compile(optimizer='adam', loss='mse')

n_steps_in, n_steps_out = 3, 2
n_features = 1

其中：

n_steps_in 为输入的 X 每次考虑几个时间步
n_steps_out 为输出的 y 每次考虑几个时间步
n_features 为输入有几个序列

和 Univariate 相比：

模型结构的定义中，多了一个 return_sequences=True，即返回的是序列，
而且 input_shape=(n_steps_in, n_features) 中有代表输入时间步数的 n_steps_in，
输出为 Dense(n_steps_out)，代表输出的 y 每次考虑几个时间步.

当然这个问题还可以用 Encoder-Decoder 结构实现：

# define model【Encoder-Decoder Model】
model = Sequential()
model.add(LSTM(100, activation='relu', input_shape=(n_steps_in, n_features)))
model.add(RepeatVector(n_steps_out))
model.add(LSTM(100, activation='relu', return_sequences=True))
model.add(TimeDistributed(Dense(1)))
model.compile(optimizer='adam', loss='mse')

5. Multivariate Multi-Step

Multivariate Multi-Step 是指：

input 为多个序列，
output 为多个时间步的问题。

数例：

训练集：
X,          y
[[10 15]
 [20 25]
 [30 35]] [65 
          85]
[[20 25]
 [30 35]
 [40 45]] [ 85
           105]
[[30 35]
 [40 45]
 [50 55]] [105 
         125]
…


预测输入：
X，
[40 45]
 [50 55]
 [60 65]

模型的 Keras 代码：

# define model
model = Sequential()
model.add(LSTM(100, activation='relu', return_sequences=True, input_shape=(n_steps_in, n_features)))
model.add(LSTM(100, activation='relu'))
model.add(Dense(n_steps_out))
model.compile(optimizer='adam', loss='mse')

n_steps_in, n_steps_out = 3, 2
# 此例中 n features = 2，因为输入有2个并行序列  
n_features = X.shape[2]

其中：

n_steps_in 为输入的 X 每次考虑几个时间步
n_steps_out 为输出的 y 每次考虑几个时间步
n_features 为输入有几个序列，此例中 = 2，因为输入有 2 个并行序列

和 Univariate 相比：

模型结构的定义中，多了一个 return_sequences=True，即返回的是序列，
而且 input_shape=(n_steps_in, n_features) 中有代表输入时间步数的 n_steps_in，
输出为 Dense(n_steps_out)，代表输出的 y 每次考虑几个时间步，
另外 n_features = X.shape[2]，而不是 1，
相当于是 Multivariate 和 Multi-Step 的结构组合起来。

6. Multiple Parallel Input & Multi-Step Output

Multiple Parallel Input & Multi-Step Output 是指：

input 为多个序列，
output 也是多个序列 & 多个时间步的问题。

数例：

训练集：
X,          y
[[10 15 25]
 [20 25 45]
 [30 35 65]] [[ 40  45  85]
          [ 50  55 105]]
[[20 25 45]
 [30 35 65]
 [40 45 85]] [[ 50  55 105]
          [ 60  65 125]]
[[ 30  35  65]
 [ 40  45  85]
 [ 50  55 105]] [[ 60  65 125]
             [ 70  75 145]]
…


预测输入：
X，
[[ 40  45  85]
 [ 50  55 105]
 [ 60  65 125]]

模型的 Keras 代码：

# define model【Encoder-Decoder model】
model = Sequential()
model.add(LSTM(200, activation='relu', input_shape=(n_steps_in, n_features)))
model.add(RepeatVector(n_steps_out))
model.add(LSTM(200, activation='relu', return_sequences=True))
model.add(TimeDistributed(Dense(n_features)))
model.compile(optimizer='adam', loss='mse')

n_steps_in, n_steps_out = 3, 2
# 此例中 n features = 3，因为输入有3个并行序列   
n_features = X.shape[2]

其中：

n_steps_in 为输入的 X 每次考虑几个时间步
n_steps_out 为输出的 y 每次考虑几个时间步
n_features 为输入有几个序列

这里我们和 Multi-Step 的 Encoder-Decoder 相比：

二者的模型结构，只是在最后的输出层参数不同，
TimeDistributed(Dense(n_features)) 而不是 Dense(1)。

作者：不会停的蜗牛
链接：https://www.jianshu.com/p/88090a7895db

收录于