时间序列数据构造Dataset数据集

在PyTorch中，可以通过构建`Dataset`和`DataLoader`来构造时间序列的数据集。

首先，需要定义一个`Dataset`类，该类需要继承`torch.utils.data.Dataset`，并且实现`__len__()`和`__getitem__()`方法。其中，`__len__()`方法返回数据集的长度，`__getitem__()`方法返回一个样本数据。

import torch
from torch.utils.data import Dataset

class TimeSeriesDataset(Dataset):
    def __init__(self, data, target):
        self.data = data
        self.target = target

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

    def __getitem__(self, idx):
        return self.data[idx], self.target[idx]

然后，可以通过实例化该类来创建数据集对象：

train_dataset = TimeSeriesDataset(train_data, train_target)
val_dataset = TimeSeriesDataset(val_data, val_target)
test_dataset = TimeSeriesDataset(test_data, test_target)

接下来，需要将数据集对象传入`DataLoader`中，以便进行批量处理和数据增强等操作。`DataLoader`可以指定批量大小、采样方式、是否打乱数据等参数。

train_loader = DataLoader(train_dataset, batch_size=32, shuffle=True)
val_loader = DataLoader(val_dataset, batch_size=32, shuffle=False)
test_loader = DataLoader(test_dataset, batch_size=32, shuffle=False)

最后，可以在训练模型时使用`DataLoader`返回的迭代器，逐批次地读取数据并进行训练。