Press "Enter" to skip to content

PyTorch搭建CNN-LSTM混合模型实现多变量多步长时间序列预测(负荷预测)

本站内容均来自兴趣收集,如不慎侵害的您的相关权益,请留言告知,我们将尽快删除.谢谢.

 

目录

 

I. 前言

 

关于LSTM的具体原理可以参考:人工智能教程
。除了LSTM以外,这个网站还囊括了其他大多机器学习以及深度学习模型的具体讲解,配图生动,简单易懂。

 

前面已经写了很多关于时间序列预测的文章:

 

深入理解PyTorch中LSTM的输入和输出(从input输入到Linear输出)
PyTorch搭建LSTM实现时间序列预测(负荷预测)
PyTorch搭建LSTM实现多变量时间序列预测(负荷预测)
PyTorch搭建双向LSTM实现时间序列预测(负荷预测)
PyTorch搭建LSTM实现多变量多步长时间序列预测(一):直接多输出
PyTorch搭建LSTM实现多变量多步长时间序列预测(二):单步滚动预测
PyTorch搭建LSTM实现多变量多步长时间序列预测(三):多模型单步预测
PyTorch搭建LSTM实现多变量多步长时间序列预测(四):多模型滚动预测
PyTorch搭建LSTM实现多变量多步长时间序列预测(五):seq2seq
PyTorch中实现LSTM多步长时间序列预测的几种方法总结(负荷预测)
PyTorch-LSTM时间序列预测中如何预测真正的未来值
PyTorch搭建LSTM实现多变量输入多变量输出时间序列预测(多任务学习)
PyTorch搭建ANN实现时间序列预测(风速预测)
PyTorch搭建CNN实现时间序列预测(风速预测)
PyTorch搭建CNN-LSTM混合模型实现多变量多步长时间序列预测(负荷预测)

 

上面所有文章一共采用了LSTM、ANN以及CNN三种模型来分别进行时间序列预测。众所周知,CNN提取特征的能力非常强,因此现在不少论文将CNN和LSTM结合起来进行时间序列预测。本文将利用PyTorch来搭建一个简单的CNN-LSTM混合模型实现负荷预测。

 

II. CNN-LSTM

 

CNN-LSTM模型搭建如下:

 

class CNN_LSTM(nn.Module):
    def __init__(self, args):
        super(CNN_LSTM, self).__init__()
        self.args = args
        self.relu = nn.ReLU(inplace=True)
        # (batch_size=30, seq_len=24, input_size=7) ---> permute(0, 2, 1)
        # (30, 7, 24)
        self.conv = nn.Sequential(
            nn.Conv1d(in_channels=args.in_channels, out_channels=args.out_channels, kernel_size=3),
            nn.ReLU(),
            nn.MaxPool1d(kernel_size=3, stride=1)
        )
        # (batch_size=30, out_channels=32, seq_len-4=20) ---> permute(0, 2, 1)
        # (30, 20, 32)
        self.lstm = nn.LSTM(input_size=args.out_channels, hidden_size=args.hidden_size,
                            num_layers=args.num_layers, batch_first=True)
        self.fc = nn.Linear(args.hidden_size, args.output_size)
    def forward(self, x):
        x = x.permute(0, 2, 1)
        x = self.conv(x)
        x = x.permute(0, 2, 1)
        x, _ = self.lstm(x)
        x = self.fc(x)
        x = x[:, -1, :]
        return x

 

可以看到,该CNN-LSTM由一层一维卷积+LSTM组成。

 

通过PyTorch搭建CNN实现时间序列预测(风速预测)
我们知道,一维卷积的原始定义如下:

 

nn.Conv1d(in_channels, out_channels, kernel_size, stride=1, padding=0, dilation=1, groups=1, bias=True)

 

本文模型的一维卷积定义:

 

nn.Conv1d(in_channels=args.in_channels, out_channels=args.out_channels, kernel_size=3)

 

这里in_channels的概念相当于自然语言处理中的embedding,因此输入通道数为7,表示负荷+其他6个环境变量;out_channels的可以随意设置,本文设置为32;kernel_size设置为3。

 

PyTorch中一维卷积的输入尺寸为:

 

input(batch_size, input_size, seq_len)=(30, 7, 24)

 

而经过数据处理后得到的数据维度为:

 

input(batch_size, seq_len, input_size)=(30, 24, 7)

 

因此,我们需要进行维度交换:

 

x = x.permute(0, 2, 1)

 

交换后的输入数据将符合CNN的输入。

 

一维卷积中卷积操作是针对seq_len维度进行的,也就是(30, 7, 24)中的最后一个维度。因此,经过:

 

nn.Conv1d(in_channels=args.in_channels, out_channels=args.out_channels, kernel_size=3)

 

后,数据维度将变为:

 

(30, 32, 24-3+1)=(30, 32, 22)

 

第一维度的batch_size不变,第二维度的input_size将由in_channels=7变成out_channels=32,第三维度进行卷积变成22。

 

然后经过一个最大池化变成:

 

(30, 32, 22-3+1)=(30, 32, 20)

 

此时的(30, 32, 20)将作为LSTM的输入。由于在LSTM中我们设置了batch_first=True,因此LSTM能够接收的输入维度为:

 

input(batch_size, seq_len, input_size)

 

而经卷积池化后得到的数据维度为:

 

input(batch_size=30, input_size=32, seq_len=20)

 

因此,同样需要进行维度交换:

 

x = x.permute(0, 2, 1)

 

然后就是比较常规的LSTM输入输出的,不再细说。

 

因此,完整的forward函数如下所示:

 

def forward(self, x):
    x = x.permute(0, 2, 1)
    x = self.conv(x)
    x = x.permute(0, 2, 1)
    x, _ = self.lstm(x)
    x = self.fc(x)
    x = x[:, -1, :]
    return x

 

III. 代码实现

 

3.1 数据处理

 

我们根据前24个时刻的负荷以及该时刻的环境变量来预测接下来4个时刻的负荷,这里采用了直接多输出策略,调整output_size即可调整输出步长。

 

代码实现:

 

def nn_seq(args):
    seq_len, B, num = args.seq_len, args.batch_size, args.output_size
    print('data processing...')
    dataset = load_data()
    # split
    train = dataset[:int(len(dataset) * 0.6)]
    val = dataset[int(len(dataset) * 0.6):int(len(dataset) * 0.8)]
    test = dataset[int(len(dataset) * 0.8):len(dataset)]
    m, n = np.max(train[train.columns[1]]), np.min(train[train.columns[1]])
    def process(data, batch_size, step_size):
        load = data[data.columns[1]]
        data = data.values.tolist()
        load = (load - n) / (m - n)
        load = load.tolist()
        seq = []
        for i in range(0, len(data) - seq_len - num, step_size):
            train_seq = []
            train_label = []
            for j in range(i, i + seq_len):
                x = [load[j]]
                for c in range(2, 8):
                    x.append(data[j][c])
                train_seq.append(x)
            for j in range(i + seq_len, i + seq_len + num):
                train_label.append(load[j])
            train_seq = torch.FloatTensor(train_seq)
            train_label = torch.FloatTensor(train_label).view(-1)
            seq.append((train_seq, train_label))
        # print(seq[-1])
        seq = MyDataset(seq)
        seq = DataLoader(dataset=seq, batch_size=batch_size, shuffle=False, num_workers=0, drop_last=False)
        return seq
    Dtr = process(train, B, step_size=1)
    Val = process(val, B, step_size=1)
    Dte = process(test, B, step_size=num)
    return Dtr, Val, Dte, m, n

 

3.2 模型训练/测试

 

和前面一致:

 

def train(args, Dtr, Val, path):
    model = CNN_LSTM(args).to(args.device)
    loss_function = nn.MSELoss().to(args.device)
    optimizer = torch.optim.Adam(model.parameters(), lr=0.001)
    print('training...')
    epochs = 50
    min_epochs = 10
    best_model = None
    min_val_loss = 5
    for epoch in range(epochs):
        train_loss = []
        for batch_idx, (seq, target) in enumerate(Dtr, 0):
            seq, target = seq.to(args.device), target.to(args.device)
            optimizer.zero_grad()
            y_pred = model(seq)
            loss = loss_function(y_pred, target)
            train_loss.append(loss.item())
            loss.backward()
            optimizer.step()
        # validation
        val_loss = get_val_loss(args, model, Val)
        if epoch + 1 >= min_epochs and val_loss < min_val_loss:
            min_val_loss = val_loss
            best_model = copy.deepcopy(model)
        print('epoch {:03d} train_loss {:.8f} val_loss {:.8f}'.format(epoch, np.mean(train_loss), val_loss))
        model.train()
    state = {
 'model': best_model.state_dict(), 'optimizer': optimizer.state_dict()}
    torch.save(state, path)
def test(args, Dte, path, m, n):
    print('loading model...')
    model = CNN_LSTM(args).to(args.device)
    model.load_state_dict(torch.load(path)['model'])
    model.eval()
    pred = []
    y = []
    for batch_idx, (seq, target) in enumerate(Dte, 0):
        seq = seq.to(args.device)
        with torch.no_grad():
            target = list(chain.from_iterable(target.tolist()))
            y.extend(target)
            y_pred = model(seq)
            y_pred = list(chain.from_iterable(y_pred.data.tolist()))
            pred.extend(y_pred)
    y, pred = np.array(y), np.array(pred)
    y = (m - n) * y + n
    pred = (m - n) * pred + n
    print('mape:', get_mape(y, pred))
    # plot
    x = [i for i in range(1, 151)]
    x_smooth = np.linspace(np.min(x), np.max(x), 900)
    y_smooth = make_interp_spline(x, y[150:300])(x_smooth)
    plt.plot(x_smooth, y_smooth, c='green', marker='*', ms=1, alpha=0.75, label='true')
    y_smooth = make_interp_spline(x, pred[150:300])(x_smooth)
    plt.plot(x_smooth, y_smooth, c='red', marker='o', ms=1, alpha=0.75, label='pred')
    plt.grid(axis='y')
    plt.legend()
    plt.show()

 

3.3 实验结果

 

前24个时刻预测未来4个时刻,MAPE为7.41%:

 

IV. 源码及数据

 

后续考虑公开~

Be First to Comment

发表评论

您的电子邮箱地址不会被公开。