基于pytorch搭建多特征LSTM时间序列预测代码详细解读（附完整代码）

文章目录

• LSTM时间序列预测
• • 数据获取与预处理
  • 模型构建
  • 训练与测试

LSTM时间序列预测

对于LSTM神经网络的概念想必大家也是熟练掌握了，所以本文章不涉及对LSTM概念的解读，仅解释如何使用pytorch使用LSTM进行时间序列预测，复原使用代码实现的全流程。

数据获取与预处理

首先预览一下本次实验使用的数据集，该数据集共有三个特征，将最后一列的压气机出口温度作为标签预测（该数据集是我在git上收集到的）

定义一个xls文件读取的函数，其中data.iloc()函数是将dataframe中的数据进行切片，返回数据和标签

# 文件读取 def get_Data(data_path): data=pd.read_excel(data_path) data=data.iloc[:,:3] # 以三个特征作为数据 label=data.iloc[:,2:] # 取最后一个特征作为标签 print(data.head()) print(label.head()) return data,label

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9

使用sklearn中的preprocessing模块中的归一化函数对数据进行归一化处理，其中data=data.values函数是将dataframe中的数据从pd格式转换np数组，删除轴标签，fit_transform函数是fit（）和transform（）的组合，是将fit和transform合并，一步到位的结果，最后返回data，label和归一化的标签值

# 数据预处理 def normalization(data,label): mm_x=MinMaxScaler() # 导入sklearn的预处理容器 mm_y=MinMaxScaler() data=data.values # 将pd的系列格式转换为np的数组格式 label=label.values data=mm_x.fit_transform(data) # 对数据和标签进行归一化等处理 label=mm_y.fit_transform(label) return data,label,mm_y

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10

我们将数据进行归一化之后，数据是np数组格式，我们需要将其转换成向量的格式存储在列表当中，因此，先创建两个空列表，建立一个for循环将预处理过的数据最后按x.size(0),seq_length,features）的纬度输出至列表当中。其中seq_length代表的是时间步长，x.size(0)则表示的是数据的第一维度，features代表的是数据的特征数。打印x,y的维度并返回x,y。

# 时间向量转换 def split_windows(data,seq_length): x=[] y=[] for i in range(len(data)-seq_length-1): # range的范围需要减去时间步长和1 _x=data[i:(i+seq_length),:] _y=data[i+seq_length,-1] x.append(_x)

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9