采用pytorch框架构架GRU模型进行时间序列预测

下面是用 PyTorch 框架构建 GRU（Gated Recurrent Unit）模型进行时间序列预测的示例代码：

import torch
import torch.nn as nn

# 定义 GRU 模型类
class GRUModel(nn.Module):
    def __init__(self, input_size, hidden_size, output_size):
        super(GRUModel, self).__init__()
        self.hidden_size = hidden_size

        # GRU 层
        self.gru = nn.GRU(input_size, hidden_size)

        # 全连接层
        self.fc = nn.Linear(hidden_size, output_size)

    def forward(self, input):
        # 初始化隐藏状态
        hidden = self.init_hidden()

        # 前向传播
        output, _ = self.gru(input, hidden)
        output = self.fc(output[-1])

        return output

    def init_hidden(self):
        # 初始化隐藏状态
        return torch.zeros(1, 1, self.hidden_size)

# 定义输入、隐藏和输出的维度
input_size = 1
hidden_size = 16
output_size = 1

# 实例化 GRU 模型类
model = GRUModel(input_size, hidden_size, output_size)

# 定义损失函数和优化器
criterion = nn.MSELoss()
optimizer = torch.optim.Adam(model.parameters(), lr=0.001)

# 训练模型
for epoch in range(num_epochs):
    # 前向传播
    output = model(input)

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

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

    # 打印训练信息
    if (epoch+1) % 100 == 0:
        print(f'Epoch: {epoch+1}, Loss: {loss.item()}')

# 使用训练好的模型进行预测
model.eval()
with torch.no_grad():
    predicted = model(input)

在这个示例中，我们定义了一个名为 `GRUModel` 的类，它继承自 `nn.Module`。在 `__init__` 方法中，我们定义了 GRU 层和全连接层。在 `forward` 方法中，我们实现了前向传播逻辑。然后我们定义了输入、隐藏和输出的维度，并实例化了这个 GRU 模型。

接下来，我们定义了损失函数和优化器。在训练阶段，我们使用循环迭代进行前向传播、计算损失、反向传播和优化。在每个周期结束时，我们打印训练信息。

最后，我们将模型设置为评估模式，并使用训练好的模型进行预测。

需要根据你的具体问题和数据来调整模型的参数和训练过程。希望这个示例对你有所帮助！