rnn时间序列预测pytorch

在PyTorch中，你可以使用循环神经网络（RNN）进行时间序列预测。以下是一个基本的RNN时间序列预测的示例代码：

首先，导入所需的库：

import torch
import torch.nn as nn
import numpy as np

接下来，定义一个简单的RNN模型：

class RNN(nn.Module):
    def __init__(self, input_size, hidden_size, output_size):
        super(RNN, self).__init__()

        self.hidden_size = hidden_size

        self.rnn = nn.RNN(input_size, hidden_size, batch_first=True)
        self.fc = nn.Linear(hidden_size, output_size)

    def forward(self, x):
        out, _ = self.rnn(x)
        out = self.fc(out[:, -1, :])
        return out

然后，准备数据并定义超参数：

# 假设我们有一个包含100个时间步的序列，每个时间步有5个特征
seq_length = 100
input_size = 5
hidden_size = 10
output_size = 1

# 创建随机输入序列
input_sequence = np.random.randn(seq_length, input_size)

# 创建随机目标序列（在这个示例中，我们将目标序列设置为输入序列的下一个时间步）
target_sequence = np.roll(input_sequence, -1, axis=0)
target_sequence[-1] = input_sequence[-1]  # 最后一个时间步的目标序列与输入序列相同

# 将输入和目标序列转换为张量
input_tensor = torch.Tensor(input_sequence).unsqueeze(0)
target_tensor = torch.Tensor(target_sequence).unsqueeze(0)

接下来，创建模型并定义损失函数和优化器：

model = RNN(input_size, hidden_size, output_size)
criterion = nn.MSELoss()
optimizer = torch.optim.Adam(model.parameters(), lr=0.01)

然后，进行模型的训练：

num_epochs = 100

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

    # 前向传播
    output = model(input_tensor)

    # 计算损失
    loss = criterion(output, target_tensor)

    # 反向传播和优化
    loss.backward()
    optimizer.step()

    print('Epoch [{}/{}], Loss: {:.4f}'.format(epoch+1, num_epochs, loss.item()))

最后，使用训练好的模型进行预测：

model.eval()
with torch.no_grad():
    predicted_tensor = model(input_tensor)
    predicted_sequence = predicted_tensor.squeeze().numpy()

这是一个简单的RNN时间序列预测的示例代码，你可以根据自己的数据和需求进行相应的修改和调整。