MLP(ANN)实现时间序列预测(PyTorch版)

目录

一、基于PyTorch搭建MLP(ANN)模型实现风速时间序列预测

二、配置类

三、时序数据集的制作

四、数据归一化

五、数据集加载器

六、搭建MLP模型

七、定义模型、损失函数、优化器

八、模型训练

九、可视化结果

完整源码

---

一、基于PyTorch搭建MLP(ANN)模型实现风速时间序列预测

本专栏使用的网络是深度学习中最为基础的MLP模型（多层感知机），对于这个模型用来处理时间序列问题效果不是很好，因为它不可以捕捉时间层面上的信息，本文用这个模型的原因只是为了将它和RNN类网络做对比。

本篇则侧重于如何搭建MLP模型，使用多层感知机进行建模从而达到风速预测，对于本专栏使用的数据集效果还是不错的。

二、配置类

下面是本项目需要使用的参数以及相关变量，为了方便我们将所有参数封装到一个类中，也可以使用 argparse 参数解析方式。

为了说明数据各个阶段的维度变化，特此定义了如下变量大小，小伙伴需要记住下面变量的值一遍理解下文说明各个阶段的维度大小。

class Config():
    data_path = '../data/wind_dataset.csv'
    timestep = 20  # 时间步长，就是利用多少时间窗口
    batch_size = 32  # 批次大小
    feature_size = 1  # 每个步长对应的特征数量，这里只使用1维，每天的风速