多变量时间序列预测代码

当涉及到多变量时间序列预测的代码时，有许多不同的方法和算法可供选择。以下是一个简单的例子，使用Python和PyTorch库来进行多变量时间序列预测：

首先，确保你已经安装了所需的库，可以使用以下命令来安装：

pip install numpy pandas torch

然后，可以使用下面的代码作为基本框架来进行多变量时间序列预测：

import numpy as np
import pandas as pd
import torch
import torch.nn as nn
from torch.utils.data import Dataset, DataLoader

# 读取数据
data = pd.read_csv('your_data.csv')

# 数据预处理
# TODO: 根据你的数据进行必要的预处理，包括特征缩放、处理缺失值等

# 划分训练集和测试集
train_data = data.iloc[:800]
test_data = data.iloc[800:]

# 定义数据集类
class TimeSeriesDataset(Dataset):
    def __init__(self, data):
        self.data = data

    def __len__(self):
        return len(self.data)

    def __getitem__(self, idx):
        # 根据需要修改数据的获取方式，这里仅作示例
        x = self.data.iloc[idx, :-1].values
        y = self.data.iloc[idx, -1]
        return x, y

# 定义模型类
class TimeSeriesModel(nn.Module):
    def __init__(self, input_size, hidden_size, output_size):
        super(TimeSeriesModel, self).__init__()
        self.fc1 = nn.Linear(input_size, hidden_size)
        self.relu = nn.ReLU()
        self.fc2 = nn.Linear(hidden_size, output_size)

    def forward(self, x):
        out = self.fc1(x)
        out = self.relu(out)
        out = self.fc2(out)
        return out

# 设置训练参数
input_size = 10  # 输入特征的维度
hidden_size = 16  # 隐藏层的大小
output_size = 1  # 输出的维度
num_epochs = 100  # 训练的轮数
batch_size = 16  # 每个批次的样本数
learning_rate = 0.001  # 学习率

# 创建数据集和数据加载器
train_dataset = TimeSeriesDataset(train_data)
train_loader = DataLoader(train_dataset, batch_size=batch_size, shuffle=True)

# 创建模型和损失函数
model = TimeSeriesModel(input_size, hidden_size, output_size)
criterion = nn.MSELoss()
optimizer = torch.optim.Adam(model.parameters(), lr=learning_rate)

# 训练模型
for epoch in range(num_epochs):
    for inputs, labels in train_loader:
        # 前向传播
        outputs = model(inputs.float())
        loss = criterion(outputs, labels.float())

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

    if (epoch+1) % 10 == 0:
        print(f'Epoch [{epoch+1}/{num_epochs}], Loss: {loss.item():.4f}')

# 在测试集上进行预测
test_dataset = TimeSeriesDataset(test_data)
test_loader = DataLoader(test_dataset, batch_size=1)  # 逐个样本预测

predictions = []
with torch.no_grad():
    for inputs, _ in test_loader:
        outputs = model(inputs.float())
        predictions.append(outputs.item())

# 打印预测结果
print(predictions)

请注意，这只是一个简单的示例，你需要根据你的数据和需求进行相应的修改和调整。此外，还可以尝试其他更复杂的模型和算法，如LSTM、GRU等，以获得更好的预测性能。