### 实现带有多个输入特征的LSTM时间序列预测 为了实现带有多输入特征的时间序列预测，主要关注点在于如何准备数据集以便能够处理多维输入，并调整网络结构以适应新的输入维度。下面具体介绍这一过程。 #### 数据预处理阶段 当面对具有多个影响因子的数据时，首先要做的就是整理好各个变量之间的关系并将其转换成适合喂给神经网络的形式。通常情况下，这涉及到将原始表格型数据转化为三维张量形式 `(样本数, 时间步长, 特征数量)` 。例如，在金融领域内做股价走势预测可能不仅依赖于过去几天的价格本身，还与其他宏观经济指标有关联；此时就需要把所有相关属性组合在一起形成一个完整的输入向量[^1]。 ```python import numpy as np from sklearn.preprocessing import MinMaxScaler def create_dataset(dataset, look_back=1): dataX, dataY = [], [] for i in range(len(dataset)-look_back-1): a = dataset[i:(i+look_back), :] dataX.append(a) dataY.append(dataset[i + look_back, 0]) # 假设目标列是第零列 return np.array(dataX), np.array(dataY) # 加载多元数据... scaler = MinMaxScaler(feature_range=(0, 1)) dataset = scaler.fit_transform(multivariate_data) train_size = int(len(dataset) * 0.8) test_size = len(dataset) - train_size train, test = dataset[0:train_size,:], dataset[train_size:len(dataset),:] look_back = 20 trainX, trainY = create_dataset(train, look_back) testX, testY = create_dataset(test, look_back) # 调整形状为 [samples, timesteps, features] trainX = np.reshape(trainX, (trainX.shape[0], trainX.shape[1], multivariate_data.shape[1])) testX = np.reshape(testX, (testX.shape[0], testX.shape[1], multivariate_data.shape[1])) ``` #### 构建LSTM模型架构 接下来构建适用于多变量输入的LSTM层。这里需要注意的是要确保最后一层输出与预期的目标维度相匹配——如果是回归问题，则一般只有一个节点用于表示连续值的结果；而分类任务则取决于类别总数决定最终全连接层大小[^2]。 ```python import torch.nn as nn class LSTM(nn.Module): def __init__(self, input_dim, hidden_dim, num_layers, output_dim): super(LSTM, self).__init__() self.hidden_dim = hidden_dim self.num_layers = num_layers self.lstm = nn.LSTM(input_dim, hidden_dim, num_layers, batch_first=True) self.fc = nn.Linear(hidden_dim, output_dim) def forward(self, x): h0 = torch.zeros(self.num_layers, x.size(0), self.hidden_dim).requires_grad_() c0 = torch.zeros(self.num_layers, x.size(0), self.hidden_dim).requires_grad_() out, _ = self.lstm(x, (h0.detach(), c0.detach())) out = self.fc(out[:, -1, :]) return out model = LSTM(input_dim=trainX.shape[2], hidden_dim=50, num_layers=2, output_dim=1) criterion = torch.nn.MSELoss() optimizer = torch.optim.Adam(model.parameters()) ``` #### 训练流程 一旦完成了上述准备工作之后就可以按照常规方式进行训练了。值得注意的一点是在每次迭代过程中都需要重新初始化隐藏状态 `hidden` 和细胞状态 `cell_state` ，这是因为它们会随着批次之间传递累积下来的信息可能会干扰到后续的学习效果。 ```python for epoch in range(num_epochs): outputs = model(trainX_tensor.float()) optimizer.zero_grad() loss = criterion(outputs.squeeze().float(), trainY_tensor.float()) loss.backward() optimizer.step() ```