用pytorch实现一个lstm时序预测模型

可以使用以下代码实现一个基于 PyTorch 的 LSTM 时序预测模型：

import torch
import torch.nn as nn

class LSTM(nn.Module):
    def __init__(self, input_size, hidden_size, output_size):
        super(LSTM, self).__init__()
        self.hidden_size = hidden_size
        self.lstm = nn.LSTM(input_size, hidden_size)
        self.fc = nn.Linear(hidden_size, output_size)

    def forward(self, input):
        lstm_out, _ = self.lstm(input.view(len(input), 1, -1))
        output = self.fc(lstm_out.view(len(input), -1))
        return output[-1]

model = LSTM(input_size=1, hidden_size=10, output_size=1)
criterion = nn.MSELoss()
optimizer = torch.optim.Adam(model.parameters(), lr=0.01)

# 训练模型
for epoch in range(100):
    optimizer.zero_grad()
    loss = 0
    for i in range(len(train_data)-1):
        input = train_data[i]
        target = train_data[i+1]
        output = model(input)
        loss += criterion(output, target)
    loss.backward()
    optimizer.step()

# 预测
with torch.no_grad():
    future = 100
    input = train_data[-1]
    predictions = []
    for i in range(future):
        output = model(input)
        predictions.append(output.item())
        input = output

其中，`input_size` 表示输入数据的维度，`hidden_size` 表示 LSTM 隐藏层的维度，`output_size` 表示输出数据的维度。在训练模型时，我们使用均方误差作为损失函数，使用 Adam 优化器进行参数更新。在预测时，我们使用训练好的模型对未来的数据进行预测。