PyTorch LSTM如何实现单变量时间序列预测？

本文共计3147个文字，预计阅读时间需要13分钟。

目录+数据准备+模型架构+模型训练+推论+预测+总结+时间序列分析，是指在一段时间内，各种可量化程度或事件的演变过程。即使细节不够充分，但几乎所有事物的发展变化都可以被视为时间序列。

目录

• 数据准备
• 模型架构
• 模型训练
• 推理
• 预测
• 总结

时间序列是指在一段时间内发生的任何可量化的度量或事件。尽管这听起来微不足道，但几乎任何东西都可以被认为是时间序列。一个月里你每小时的平均心率，一年里一只股票的日收盘价，一年里某个城市每周发生的交通事故数。

在任何一段时间段内记录这些信息都被认为是一个时间序列。对于这些例子中的每一个，都有事件发生的频率(每天、每周、每小时等)和事件发生的时间长度(一个月、一年、一天等)。

在本教程中，我们将使用 PyTorch-LSTM 进行深度学习时间序列预测。

我们的目标是接收一个值序列，预测该序列中的下一个值。最简单的方法是使用自回归模型，我们将专注于使用LSTM来解决这个问题。

数据准备

让我们看一个时间序列样本。下图显示了2013年至2018年石油价格的一些数据。

这只是一个日期轴上单个数字序列的图。下表显示了这个时间序列的前10个条目。每天都有价格数据。