关于多/单特征输入，多/单步预测，到底是什么意思？一文讲明白！MATLAB/Python预测全家桶...

相信很多小伙伴都有这个疑问，到底什么是多变量输入，又怎么多步预测，一会又单步预测，绕来绕去，真的要搞蒙了！本期就来聊一聊到底何为多/单变量（特征）输入，多/单步预测。

在网上查阅关于“预测”这个话题的时候，很多文献说的不明所以，包括一些较好的期刊，甚至一些毕业论文这种需要码字的东西，都没讲清楚他们在做预测的时候，到底是怎么处理数据的。处理出来的数据，到底是个什么形式？怎么利用的数据特征，最后处理完的数据到底是个什么样子。

以下以一个电力负荷数据为例，介绍一下在做机器学习预测时，到底该如何整理这个数据。

数据形式一目了然，第一列是时间列，2-3列是特征列，最后一列是负荷值。

首先说如果要建立一个机器学习预测模型，那么输出必然就是负荷值。

好，那么请问输入该是什么呢？以下以几个例子进行展示。这几个例子都可以使用！一般例1使用最多。

例1：多输入单输出。

以前2个时刻的所有数据（包含三个特征值温度/湿度/风速，与负荷）作为输入，以后1个时刻的负荷值作为输出。步长为1。

那整理完之后的数据为：

[0.74  0.8  0.23 750.75 0.74 0.87 0.15 716.94 712.77
0.74 0.87 0.15 716.94 0.74 0.87 0.15 712.77  684.86
0.74 0.87 0.15 712.77 0.74 0.8 0.15 684.86 728.79
0.74 0.8 0.15 684.86 0.74 0.8 0.15 728.79 742.81
…………………………循环下去…………………………]

---

如果步长为2，那么数据就变成：

[0.74 0.8 0.23 750.75  0.74  0.87 0.15 716.94 712.77
0.74 0.87  0.15 712.77  0.74 0.8 0.15 684.86 728.79
0.74 0.8 0.15 728.79 0.72  0.87 0.08 742.81 751.3
…………………………循环下去…………………………]

---

例2：多输入多输出。

以前2个时刻的所有数据（包含三个特征值温度/湿度/风速，与负荷）作为输入，以后2个时刻的负荷值作为输出。步长为1。

那整理完之后的数据为：

【0.74 0.8 0.23 750.75  0.74  0.87 0.15 716.94 712.77 684.86
 0.74 0.87 0.15 716.94 0.74 0.87  0.15 712.77  684.86 728.79
0.74 0.87 0.15 712.77 0.74 0.8 0.15 684.86 728.79 742.81】

注意：这里的例1和例2的多输入案例中，在将数据整理完了之后，并不是直接就能送入机器学习模型训练了。还要进行归一化操作和reshape变形，变成n行m列的矩阵后才能送进机器学习模型！

例3：单输入单输出。

如果是单输入单输出的话，证明只有一列数据。咱们这里就用最后一列负荷数据为例，进行介绍。

有一些文献也确实是这么做的，只用了负荷这一列的数据，而忽略天气等其他特征值。

提取出来负荷这一列数据：

[750.75 716.94 712.77 684.86 728.79 742.81 758.74 816.79 884.53 954.41………………]

以前5个时刻的所有数据作为输入，以后1个时刻的数据作为输出。步长为1。

整理完之后的数据为：

[750.75 716.94 712.77 684.86 728.79 742.81
716.94 712.77 684.86 728.79 742.81 758.74
712.77 684.86 728.79 742.81 758.74 816.79
684.86 728.79 742.81 758.74 816.79 884.53
728.79 742.81 758.74 816.79 884.53 954.41]

---

步长为2。整理完之后的数据为：

[750.75 716.94 712.77 684.86 728.79 742.81
712.77 684.86 728.79 742.81 758.74 816.79
728.79 742.81 758.74 816.79 884.53 954.41]

例4：单输入多输出。

依旧是以符合数据为例进行介绍。

以前5个时刻的所有数据作为输入，以后2个时刻的数据作为输出。步长为1。

整理完之后的数据为：

[750.75 716.94 712.77 684.86 728.79 742.81 758.74
716.94 712.77 684.86 728.79 742.81 758.74 816.79
712.77 684.86 728.79 742.81 758.74 816.79 884.53
684.86 728.79 742.81 758.74 816.79 884.53 954.41]

好啦，讲到这里想必大家就全都明白了！留个小赞吧~❤

目前小淘主打的两个预测全家桶最新内容如下：

MATLAB预测全家桶目录如下：

机器学习MATLAB全家桶代码获取

https://mbd.pub/o/bread/ZZmWk5xp

识别此二维码也可跳转MATLAB预测全家桶

后续有更新直接进入此链接，即可下载最新的！

---

python预测全家桶目录如下：

机器学习python全家桶代码获取

https://mbd.pub/o/bread/ZZqXmpty

识别此二维码也可跳转python预测全家桶

后续有更新直接进入此链接，即可下载最新的！