PyTorch 深度学习实战（9）：时间序列预测与 LSTM 模型

最新推荐文章于 2025-04-15 09:00:48 发布

进取星辰

最新推荐文章于 2025-04-15 09:00:48 发布

阅读量1.4k

点赞数 18

分类专栏： PyTorch 深度学习实战文章标签：深度学习 pytorch lstm

本文链接：https://blog.youkuaiyun.com/m0_60414444/article/details/146160709

版权

PyTorch 深度学习实战专栏收录该内容

37 篇文章

订阅专栏

在之前的文章中，我们探讨了图像分类、文本生成和强化学习等任务。本文将聚焦于时间序列预测问题，使用 PyTorch 实现一个简单的 LSTM 模型，预测未来时间步的数值。通过这个例子，读者将掌握处理序列数据的基础方法。

一、时间序列预测基础

时间序列是按时间顺序排列的数据点序列，广泛存在于股票价格、气象数据、传感器记录等领域。预测未来时间步的值是时间序列分析的核心任务之一。

1. LSTM 模型简介

长短期记忆网络（LSTM）是一种特殊的循环神经网络（RNN），通过门控机制解决传统 RNN 的梯度消失问题，擅长捕捉长期依赖关系。其核心结构包括：

遗忘门：决定丢弃哪些信息。
输入门：更新细胞状态。
输出门：决定输出的隐藏状态。

2. 数据预处理

时间序列预测通常需要将数据划分为滑动窗口样本。例如，用过去 7 天的数据预测第 8 天的值。

二、时间序列预测实战

我们将使用合成的正弦波数据，训练一个 LSTM 模型预测未来值。

1. 实现步骤

生成并预处理数据。
定义 LSTM 模型。
训练模型。
预测并可视化结果。

2. 代码实现

import torch
import torch.nn as nn
import numpy as np
import matplotlib.pyplot as plt

# 生成正弦波数据
def generate_sin_data(seq_length=1000):
    x = np.linspace(0, 50, seq_length)
    y = np.sin(x) * 0.5 + 0.5  # 归一化到 [0,1]
    return y

# 数据预处理（滑动窗口）
def create_dataset(data, window_size=20):
    X, Y = [], []
    for i in range(len(data)-window_size):
        X.append(data[i:i+window_size])
        Y.append(data[i+window_size])
    return np.array(X), np.array(Y)

# 参数设置
SEQ_LENGTH = 1000
WINDOW_SIZE = 20
BATCH_SIZE = 32
EPOCHS = 100

# 生成数据
data = generate_sin_data(SEQ_LENGTH)
X, Y = create_dataset(data, WINDOW_SIZE)

# 划分训练集和测试集
split = int(0.8 * len(X))
X_train, X_test = X[:split], X[split:]
Y_train, Y_test = Y[:split], Y[split:]

# 转换为PyTorch张量
X_train = torch.FloatTensor(X_train).unsqueeze(-1)  # [样本数, 窗口大小, 特征数]
Y_train = torch.FloatTensor(Y_train)
X_test = torch.FloatTensor(X_test).unsqueeze(-1)
Y_test = torch.FloatTensor(Y_test)

# 定义LSTM模型
class LSTMPredictor(nn.Module):
    def __init__(self, input_size=1, hidden_size=50, output_size=1):
        super().__init__()
        self.lstm = nn.LSTM(input_size, hidden_size, batch_first=True)
        self.linear = nn.Linear(hidden_size, output_size)

    def forward(self, x):
        x, _ = self.lstm(x)         # 输出形状: [batch, seq_len, hidden_size]
        x = x[:, -1, :]             # 取最后一个时间步的输出
        return self.linear(x)

# 初始化模型、损失函数和优化器
model = LSTMPredictor()
criterion = nn.MSELoss()
optimizer = torch.optim.Adam(model.parameters(), lr=0.001)

# 训练模型
train_losses = []
for epoch in range(EPOCHS):
    model.train()
    optimizer.zero_grad()
    outputs = model(X_train)
    loss = criterion(outputs.squeeze(), Y_train)
    loss.backward()
    optimizer.step()
    train_losses.append(loss.item())
    if (epoch+1) % 10 == 0:
        print(f'Epoch [{epoch+1}/{EPOCHS}], Loss: {loss.item():.4f}')

# 预测测试集
model.eval()
with torch.no_grad():
    test_pred = model(X_test).squeeze().numpy()

# 可视化结果
plt.figure(figsize=(12, 6))
plt.subplot(1,2,1)
plt.plot(train_losses)
plt.title("Training Loss Curve")
plt.xlabel("Epoch")
plt.ylabel("MSE Loss")

plt.subplot(1,2,2)
plt.plot(Y_test.numpy(), label="True Value")
plt.plot(test_pred, label="Prediction")
plt.title("Test Prediction")
plt.legend()
plt.show()

三、代码解析

数据生成：
- 使用 generate_sin_data 生成包含 1000 个点的正弦波。
- 通过 create_dataset 创建滑动窗口样本（用前 20 个点预测第 21 个点）。
模型结构：
- LSTMPredictor 包含一个 LSTM 层和一个全连接层。
- LSTM 的 hidden_size 设置为 50，可根据数据复杂度调整。
训练过程：
- 使用均方误差（MSE）作为损失函数。
- Adam 优化器进行参数更新。
- 训练 100 个 epoch，每 10 个 epoch 打印损失值。
结果可视化：
- 左图显示训练损失下降曲线。
- 右图对比测试集的真实值和预测值。