mlp时间序列预测pytorch

使用PyTorch构建MLP模型进行时间序列预测
构建MLP模型结构
为了使用PyTorch实现多层感知机（MLP）用于时间序列预测，首先需要定义模型的结构。这通常涉及创建一个多层全连接神经网络，并应用合适的激活函数以引入非线性特性[^3]。
import torch
from torch import nn

class MLP(nn.Module):
def __init__(self, input_dim, hidden_dims, output_dim):
super(MLP, self).__init__()

layers = []
prev_dim = input_dim

for dim in hidden_dims:
layers.append(nn.Linear(prev_dim, dim))
layers.append(nn.ReLU()) # 添加ReLU作为激活函数
prev_dim = dim

layers.append(nn.Linear(prev_dim, output_dim))

self.model = nn.Sequential(*layers)

def forward(self, x):
return self.model(x)
登录后复制
此代码片段展示了如何定义一个简单的MLP类，其中包含了多个隐藏层以及ReLU激活函数的应用[^4]。
数据预处理与加载
对于时间序列预测任务而言，合理的数据准备至关重要。一般情况下，会将原始的时间序列切分为固定长度的历史窗口及其对应的未来目标值。这些历史窗口将成为输入特征向量$x_t$，而未来的观测则构成标签$y_{t+1}$。
def create_sequences(data, seq_length=10):
xs, ys = [], []

for i in range(len(data)-seq_length):
x = data[i:i+seq_length]
y = data[i+seq_length]
xs.append(torch.tensor(x).float())
ys.append(torch.tensor(y).float())

return torch.stack(xs), torch.stack(ys)

# 假设data是一个包含时间序列数值的一维张量或列表
X_train, Y_train = create_sequences(data[:train_size])
X_test, Y_test = create_sequences(data[train_size:])
登录后复制
这段脚本说明了怎样把一串连续的数据点转化为适合喂入MLP的形式[^1]。
训练过程设置
一旦完成了模型的设计和数据集的准备工作之后，就可以配置优化算法并启动训练循环：
model = MLP(input_dim=X_train.shape[-1], hidden_dims=[64, 32], output_dim=1)
criterion = nn.MSELoss() # 对于回归问题采用均方误差损失
optimizer = torch.optim.Adam(model.parameters(), lr=0.001)

for epoch in range(num_epochs):
model.train()
optimizer.zero_grad()

outputs = model(X_train)
loss = criterion(outputs.squeeze(-1), Y_train)

loss.backward()
optimizer.step()

if (epoch + 1) % print_interval == 0:
print(f'Epoch [{epoch+1}/{num_epochs}], Loss: {loss.item():.4f}')
登录后复制
这里给出了完整的训练流程，包括初始化模型参数、选择适当的学习率调整策略以及监控每轮迭代后的性能指标变化情况。
测试阶段评估
完成训练后，在测试集合上验证最终版本的表现同样重要。可以通过计算预测结果同真实值之间的差异来衡量泛化能力的好坏。
with torch.no_grad():
predictions = model(X_test).squeeze().numpy()
actuals = Y_test.numpy()

mse = ((predictions - actuals)**2).mean()
print('Test MSE:', mse)
登录后复制
该部分描述了利用已学得的知识对未来趋势做出推测的方法，并通过比较实际发生的情况检验其准确性。