pytorch LSTM 多变量输入 多步预测

PyTorch中的LSTM（长短期记忆网络）是一种递归神经网络，常用于处理序列数据，如文本、音频或视频。当有多个变量输入并且需要进行多步预测时，你可以这样做：

准备数据：对于多变量输入，你需要将每个变量作为独立的一维数组或张量，并将它们组合成一个二维张量，通常称为batch_size x (variable_1_dim, variable_2_dim, ..., variable_n_dim)。

定义模型：创建一个LSTM层，接受所有变量作为输入。这通常通过nn.LSTM()函数完成，其中可以指定每种变量的输入维度以及LSTM内部的状态大小。
input_size = sum([var1_dim, var2_dim, ...]) # 总的输入维度
hidden_size = ... # LSTM隐藏层单元的数量
lstm = nn.LSTM(input_size, hidden_size)
登录后复制

循环结构：由于是多步预测，你可能需要设置一个循环（如for循环），每次迭代时输入前一步的预测结果和当前时间步的实际输入，直到达到所需的时间步数或完整的序列。

训练和预测：在每个时间步，通过lstm对输入进行处理，得到隐藏状态和细胞状态，然后可以对隐藏状态进行一些操作（如全连接层）得到预测值。训练时，损失函数会累积所有时间步的结果；预测时则仅计算最后一步的输出。

for i in range(num_steps):
# 输入当前步骤的多变量数据
inputs = torch.cat([..., current_variable], dim=1)
output, _ = lstm(inputs) # 省略了cell state的处理

# 如果是预测，保存最后一个时间步的输出；如果是训练，更新网络权重
if i == num_steps - 1:
predictions.append(output)
登录后复制