### PyTorch LSTM 和 BiLSTM 实现时间序列预测 #### 构建和训练LSTM模型 为了使用PyTorch实现LSTM进行时间序列预测，首先需要定义LSTM网络结构。下面展示了一个简单的LSTM模型定义方法： ```python import torch from torch import nn, optim import numpy as np import pandas as pd class LSTMModel(nn.Module): def __init__(input_size=1, hidden_layer_size=100, output_size=1): super().__init__() self.hidden_layer_size = hidden_layer_size self.lstm = nn.LSTM(input_size, hidden_layer_size) self.linear = nn.Linear(hidden_layer_size, output_size) self.hidden_cell = (torch.zeros(1, 1, self.hidden_layer_size), torch.zeros(1, 1, self.hidden_layer_size)) def forward(self, input_seq): lstm_out, self.hidden_cell = self.lstm(input_seq.view(len(input_seq), 1, -1), self.hidden_cell) predictions = self.linear(lstm_out.view(len(input_seq), -1)) return predictions[-1] model = LSTMModel() loss_function = nn.MSELoss() optimizer = optim.Adam(model.parameters(), lr=0.001) ``` 这段代码创建了一个具有单一隐藏层的LSTM模型，并设置了损失函数以及优化器。 对于BiLSTM模型，则需调整上述`__init__()`部分来引入双向特性: ```python self.bilstm = nn.LSTM(input_size, hidden_layer_size, bidirectional=True) ``` 这使得模型能够同时处理正向和反向的时间步输入[^1]。 #### 准备数据集并训练模型 在准备用于训练的数据之前，先加载CSV文件中的原始数据，并将其转换成适合喂给神经网络的形式。这里假设有一个名为"data.csv"的文件，其中包含按月排列的历史记录。 ```python # 加载数据 data = pd.read_csv('data.csv') data['Month'] = pd.to_datetime(data['Month']) data.set_index('Month', inplace=True) # 归一化处理 scaler = MinMaxScaler(feature_range=(-1, 1)) scaled_data = scaler.fit_transform(data.values.reshape(-1, 1)) train_size = int(len(scaled_data) * 0.8) test_size = len(scaled_data) - train_size train_data, test_data = scaled_data[0:train_size], scaled_data[train_size:len(scaled_data)] def create_inout_sequences(input_data, tw): inout_seq = [] L = len(input_data) for i in range(L-tw): pred = i + tw seq = input_data[i:pred] label = input_data[pred] inout_seq.append((seq ,label)) return inout_seq train_sequence_length = 20 train_inout_seq = create_inout_sequences(train_data, train_sequence_length) for i in range(epochs): for seq, labels in train_inout_seq: optimizer.zero_grad() model.hidden_cell = (torch.zeros(1, 1, model.hidden_layer_size), torch.zeros(1, 1, model.hidden_layer_size)) y_pred = model(seq) single_loss = loss_function(y_pred, labels) single_loss.backward() optimizer.step() if i % 25 == 1: print(f'epoch: {i:3} loss: {single_loss.item():10.8f}') print(f'epoch: {i:3} loss: {single_loss.item():10.10f}') ``` 此段脚本完成了从读取到预处理再到构建训练样本的过程，并执行了实际的训练循环[^2]。 #### 测试与评估 完成训练之后，可以通过测试集上的表现来评价所建立模型的好坏程度。具体操作包括但不限于计算均方误差(MSE)，绘制真实值对比图等可视化手段辅助理解模型性能。