### 多变量输入单变量输出的 RNN 回归模型 在 PyTorch 中构建一个多变量输入单变量输出的 RNN 回归模型涉及以下几个核心部分：定义网络结构、准备数据集以及训练过程。 #### 定义 RNN 模型 以下是基于 `nn.RNN` 的简单实现： ```python import torch import torch.nn as nn class SimpleRNN(nn.Module): def __init__(self, input_size, hidden_size, output_size, num_layers=1): super(SimpleRNN, self).__init__() self.hidden_size = hidden_size self.num_layers = num_layers # 定义 RNN 层 self.rnn = nn.RNN(input_size=input_size, hidden_size=hidden_size, num_layers=num_layers, batch_first=True) # 输出层用于回归预测 self.fc = nn.Linear(hidden_size, output_size) def forward(self, x): h0 = torch.zeros(self.num_layers, x.size(0), self.hidden_size).to(x.device) # 初始化隐藏状态 out, _ = self.rnn(x, h0) # 获取 RNN 输出 out = self.fc(out[:, -1, :]) # 取最后一个时间步的输出并传递到全连接层 return out ``` 上述代码中，`input_size` 是指每个时间步的特征数量（即多变量的数量），而 `output_size` 则表示最终的目标维度（此处为单变量）。通过设置 `batch_first=True` 参数，可以使得输入形状更直观地表现为 `(batch_size, sequence_length, feature_dim)`[^3]。 #### 数据预处理 对于多变量的时间序列问题，通常需要将原始数据转换成适合 RNN 输入的形式。假设我们有如下形式的数据： - 特征矩阵 X (shape: `[num_samples, time_steps, features]`) - 目标向量 Y (shape: `[num_samples, 1]`) 可以通过滑动窗口技术来创建这些样本。例如： ```python def create_inout_sequences(input_data, target_data, tw): inout_seq = [] L = len(input_data) for i in range(L-tw): train_seq = input_data[i:i+tw] train_label = target_data[i+tw] inout_seq.append((train_seq ,train_label)) return inout_seq # 假设 data_x 和 data_y 已经准备好 time_window = 10 # 时间窗大小 train_data = create_inout_sequences(data_x, data_y, time_window) ``` 这里 `data_x` 表示多个特征组成的二维数组，每一行为一个观测时刻的所有特征；`data_y` 对应的是目标值列向量[^4]。 #### 训练流程 下面是一个简单的训练循环例子： ```python model = SimpleRNN(input_size=data_x.shape[-1], hidden_size=50, output_size=1, num_layers=1) criterion = nn.MSELoss() # 使用均方误差作为损失函数 optimizer = torch.optim.Adam(model.parameters(), lr=0.01) for epoch in range(num_epochs): for seq, labels in train_data: optimizer.zero_grad() model_output = model(seq.float()) # 转换为浮点数类型 loss = criterion(model_output, labels.unsqueeze(-1)) # 确保标签也是一维张量 loss.backward() optimizer.step() if epoch % 10 == 0: print(f'Epoch {epoch}, Loss: {loss.item()}') ``` 此段代码展示了如何利用 Adam 优化器最小化 MSE 损失来进行参数更新[^5]。 #### 性能评估 完成训练之后，可以用测试集上的表现衡量模型性能。例如调用 `.evaluate()` 方法或者手动计算 MAE/MSE: ```python test_loss = 0 with torch.no_grad(): for seq, labels in test_data: preds = model(seq.float()) test_loss += criterion(preds, labels.unsqueeze(-1)).item() avg_test_loss = test_loss / len(test_data) print(f'Test Loss: {avg_test_loss}') ``` 以上方法适用于大多数标准情况下的多变量输入单变量输出场景，并且能够扩展至更加复杂的架构如 LSTM 或 GRU[^6]。 ---