二 创建LSTM模型
class RNN(nn.Module):
def __init__(self):
super(RNN,self).__init__() #面向对象中的继承
self.lstm = nn.LSTM(2,6,2) #输入数据2个特征维度，6个隐藏层维度，2个LSTM串联，第二个LSTM接收第一个的计算结果
self.out = nn.Linear(6,1) #线性拟合，接收数据的维度为6，输出数据的维度为1
def forward(self,x):
x1,_ = self.lstm(x)
a,b,c = x1.shape
out = self.out(x1.view(-1,c)) #因为线性层输入的是个二维数据，所以此处应该将lstm输出的三维数据x1调整成二维数据，最后的特征维度不能变
out1 = out.view(a,b,-1) #因为是循环神经网络，最后的时候要把二维的out调整成三维数据，下一次循环使用
return out1
rnn = RNN()
#参数寻优，计算损失函数
optimizer = torch.optim.Adam(rnn.parameters(),lr = 0.02)
loss_func = nn.MSELoss()原始数据
时间序列问题: 时间的那一列是不代入训练或者测试的，所以时间列可以删除。是用前几行的预测下一行的。
通俗点[1,2,3,4,5,6,7]，可以通过1，2，3预测出4,。然后2,3,4预测出5.训练的时候跟时间列没关系
df1 = pd.read_excel(r'D:\Personal\cs3h.xlsx')一 数据准备
datas = df1.values
#归一化处理，这一步必不可少，不然后面训练数据误差会很大，模型没法用
max_value = np.max(datas)
min_value = np.min(datas)
scalar = max_value - min_value
datas = list(map(lambda x: x / scalar, datas))
#数据集和目标值赋值，dataset为数据，look_back为以几行数据为特征维度数量
def creat_dataset(dataset,look_back):
data_x = []
data_y = []
for i in range(len(dataset)-look_back):
data_x.append(dataset[i:i+look_back])
data_y.append(dataset[i+look_back])
return np.asarray(data_x), np.asarray(data_y) #转为ndarray数据
#以2为特征维度，得到数据集
dataX, dataY = creat_dataset(datas,2)
train_size = int(len(dataX)*0.7)
x_train = dataX[:train_size] #训练数据
y_train = dataY[:train_size] #训练数据目标值
x_train = x_train.reshape(-1, 1, 2) #将训练数据调整成pytorch中lstm算法的输入维度
y_train = y_train.reshape(-1, 1, 1) #将目标值调整成pytorch中lstm算法的输出维度
#将ndarray数据转换为张量，因为pytorch用的数据类型是张量
x_train = torch.from_numpy(x_train)
y_train = torch.from_numpy(y_train)三 训练模型
for i in range(1000):
var_x = Variable(x_train).type(torch.FloatTensor)
var_y = Variable(y_train).type(torch.FloatTensor)
out = rnn(var_x)
loss = loss_func(out,var_y)
optimizer.zero_grad()
loss.backward()
optimizer.step()
if (i+1)%100==0:
print('Epoch:{}, Loss:{:.5f}'.format(i+1, loss.item()))四 模型测试
#准备测试数据
dataX1 = dataX.reshape(-1,1,2)
dataX2 = torch.from_numpy(dataX1)
var_dataX = Variable(dataX2).type(torch.FloatTensor)
pred = rnn(var_dataX)
pred_test = pred.view(-1).data.numpy() #转换成一维的ndarray数据，这是预测值; dataY为真实值From:
Pytorch循环神经网络LSTM时间序列预测风速
