在Python中使用LSTM和PyTorch进行时间序列预测

顾名思义，时间序列数据是一种随时间变化的数据类型。例如，24小时内的温度，一个月内各种产品的价格，一年中特定公司的股票价格。

去年，我们为一位客户进行了短暂的咨询工作，他正在构建一个主要基于时间序列预测的分析应用程序。诸如长期短期记忆网络（LSTM）之类的高级深度学习模型能够捕获时间序列数据中的模式，因此可用于对数据的未来趋势进行预测。在本文中，您将看到如何使用LSTM算法使用时间序列数据进行将来的预测。

相关视频：LSTM神经网络架构和工作原理及其在Python中的预测应用

  

数据集和问题定义

 让我们先导入所需的库，然后再导入数据集：

 
import matplotlib.pyplot as plt让我们将数据集加载到我们的程序中 

data.head()

输出：

该数据集有三列：year，month，和passengers。passengers列包含指定月份旅行旅客的总数。让我们输出数据集的维度：

data.shape

输出：

(144, 3)

您可以看到数据集中有144行和3列，这意味着数据集包含12年的乘客旅行记录。

任务是根据前132个月来预测最近12个月内旅行的乘客人数。请记住，我们有144个月的记录，这意味着前132个月的数据将用于训练我们的LSTM模型，而模型性能将使用最近12个月的值进行评估。

让我们绘制每月乘客的出行频率。  接下来的脚本绘制了每月乘客人数的频率：

plt.grid(True)
plt.autoscale(axis='x',tight=True)
plt.plot(data['passengers'])

输出：