### 使用 PyTorch 实现 LSTM 进行时间序列预测 为了使用 PyTorch 和 LSTM 完成时间序列预测任务，可以遵循以下结构化的方法来构建和训练模型。 #### 1. 导入必要的库 首先导入所需的 Python 库： ```python import torch from torch import nn, optim import numpy as np ``` #### 2. 构建 LSTM 模型类 定义一个继承自 `nn.Module` 的 LSTM 类，用于创建网络架构。这里假设输入特征维度为 1（即一元），并设置合理的隐藏层数量和其他参数。 ```python class LSTM(nn.Module): def __init__(self, input_dim=1, hidden_dim=32, num_layers=2, output_dim=1, dropout_prob=0.2): super(LSTM, self).__init__() # 初始化属性 self.hidden_dim = hidden_dim self.num_layers = num_layers # 定义LSTM层 self.lstm = nn.LSTM(input_dim, hidden_dim, num_layers, batch_first=True, dropout=dropout_prob) # 定义全连接层 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, (hn, cn) = self.lstm(x, (h0.detach(), c0.detach())) out = self.fc(out[:, -1, :]) return out ``` 此部分代码展示了如何建立一个多层 LSTM 结构，并通过线性变换将其映射到目标输出空间[^2]。 #### 3. 准备数据集 对于时间序列问题来说，通常会有一个连续的数据流作为输入。这部分涉及将原始数据转换成适合喂给 LSTM 网络的形式——通常是三维张量 `(batch_size, seq_len, feature_num)` 形式的批次样本集合。 ```python def create_dataset(data_series, window_size=3): xs, ys = [], [] for i in range(len(data_series)-window_size-1): x = data_series[i:(i+window_size)] y = data_series[i+window_size] xs.append(x) ys.append(y) return np.array(xs), np.array(ys) ``` 这段函数接受一系列数值作为输入，并返回两个列表：一个是窗口大小内的历史观测值；另一个是紧接着的历史观测之后的一个真实值，用来做监督学习中的标签。 #### 4. 训练过程 设定损失函数、优化器等超参数后即可开始迭代更新权重直至收敛或达到最大轮次限制。 ```python model = LSTM() criterion = nn.MSELoss() # 均方误差损失 optimizer = optim.Adam(model.parameters()) for epoch in range(num_epochs): model.train() outputs = model(train_inputs.float()) optimizer.zero_grad() loss = criterion(outputs.squeeze(-1), train_labels.float()) loss.backward() optimizer.step() ``` 上述片段说明了典型的反向传播流程，在每次循环中计算当前估计与实际值之间的差距并通过梯度下降调整内部参数以最小化这种差异。 #### 5. 测试评估 最后一步是对新数据做出预测并与已知的真实情况对比分析性能指标如 MAE 或 RMSE 来衡量模型的好坏程度。 ```python with torch.no_grad(): predictions = model(test_inputs.float()).squeeze(-1) mae_loss = abs(predictions.numpy()-test_labels.numpy()).mean() print(f'Mean Absolute Error on Test Set: {mae_loss}') ``` 以上就是利用 PyTorch 中的 LSTM 层实现简单的一维时间序列预测的整体框架介绍。