-
时间序列预测系列文章总结（代码使用方法）
前言
本科阶段的研究方向是电力负荷预测，期间也发过一篇《中国电机工程学报》的论文，不过随着本科毕业，时序预测也该告一段落了，之后重心便放在研究生期间的社交网络挖掘方向了。
前面已经写过不少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）
- PyTorch搭建Transformer实现多变量多步长时间序列预测（负荷预测）
这篇文章是对这16篇文章的总结，顺便也谈一谈代码如何使用。
1. 深入理解PyTorch中LSTM的输入和输出（从input输入到Linear输出）
这篇文章主要讲PyTorch中LSTM的输入和输出，具体讲了数据流动过程中的维度变化，是所有文章的基础，必须要理解。这篇文章不涉及代码使用。
2. PyTorch搭建LSTM实现时间序列预测（负荷预测）
这篇文章是单变量单步预测的示例，即利用前24小时的负荷预测下一时刻的负荷值。
具体使用方法：利用pycharm或者其他IDE打开压缩包中的LSTM-Load-Forecasting项目，如下所示：
然后打开并运行LSTMs文件夹下的univariate_single_step.py文件，如果需要更换预测长度，比如前12小时预测下一小时，只需将args.py中us_args_parser()函数中的参数seq_len改为12，即：
如果需要使用自己的数据，只需要将data文件夹下的data.csv替换为自己的csv文件，然后再对data_process.py中的nn_seq_us进行更改：
如果需要预测的变量为第s列，那么只需将图中的1改为s即可。3. PyTorch搭建LSTM实现多变量时间序列预测（负荷预测）
这篇文章是多变量单步预测的示例，即利用前24小时的负荷+环境因素预测下一时刻的负荷值。
具体使用方法：利用pycharm或者其他IDE打开压缩包中的LSTM-Load-Forecasting项目，然后打开并运行LSTMs文件夹下的multivariate_single_step.py文件。如果需要使用自己的数据，首先需要将data.csv进行替换，其次，对data_process.py中的nn_seq_ms进行更改：
具体来讲，首先需要将1替换为想要预测的变量的列索引，然后将2, 8替换为环境变量的列索引。4. PyTorch搭建双向LSTM实现时间序列预测（负荷预测）
这篇文章是双向LSTM预测的示例，即将23节中的单向LSTM替换为双向LSTM。
具体使用方法：利用pycharm或者其他IDE打开压缩包中的LSTM-Load-Forecasting项目，然后将args.py中三个args_parser()函数中的bidirectional参数改为True即可：
5. PyTorch搭建LSTM实现多变量多步长时间序列预测（一）：直接多输出
这篇文章是多变量多步长预测的第一篇：直接多输出。我们利用前24小时的负荷+环境因素预测接下来多个小时的负荷值。
具体使用方法：利用pycharm或者其他IDE打开压缩包中的LSTM-MultiStep-Forecasting项目，如下所示：
然后打开并运行algorithms文件夹下的multiple_outputs.py文件即可。如果需要调整预测长度，比如利用前24小时预测接下来12个小时，只需将args.py中mo_args_parser()函数中的output_size参数改为12即可。
如果需要使用自己的数据，首先需要将data文件夹下的data.csv替换为自己的csv文件，然后更改data_process.py中的nn_seq_mo()函数，更改方式和前面一样。
6. 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
这篇文章是多变量多步长预测的第二篇：单步滚动预测。
具体使用方法：利用pycharm或者其他IDE打开压缩包中的LSTM-MultiStep-Forecasting项目，然后打开并运行algorithms文件夹下的single_step_scrolling.py文件即可。
如果需要使用自己的数据，首先需要将data文件夹下的data.csv替换为自己的csv文件，然后更改data_process.py中的nn_seq_sss()函数，更改方式和前面一样。
7. 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
这篇文章是多变量多步长预测的第三篇：多模型单步预测。
具体使用方法：利用pycharm或者其他IDE打开压缩包中的LSTM-MultiStep-Forecasting项目，然后打开并运行algorithms文件夹下的multi_model_single_step.py文件即可。
如果需要使用自己的数据，首先需要将data文件夹下的data.csv替换为自己的csv文件，然后更改data_process.py中的nn_seq_mmss()函数，更改方式和前面一样。
8. 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
这篇文章是多变量多步长预测的第四篇：多模型滚动预测。
具体使用方法：利用pycharm或者其他IDE打开压缩包中的LSTM-MultiStep-Forecasting项目，然后打开并运行algorithms文件夹下的multi_model_scrolling.py文件即可。
如果需要使用自己的数据，首先需要将data文件夹下的data.csv替换为自己的csv文件，然后更改data_process.py中的nn_seq_mmss()函数，更改方式和前面一样。
9. PyTorch搭建LSTM实现多变量多步长时间序列预测（五）：seq2seq
这篇文章是多变量多步长预测的第五篇：seq2seq预测。
具体使用方法：利用pycharm或者其他IDE打开压缩包中的LSTM-MultiStep-Forecasting项目，然后打开并运行algorithms文件夹下的seq2seq.py文件即可。
如果需要使用自己的数据，首先需要将data文件夹下的data.csv替换为自己的csv文件，然后更改data_process.py中的nn_seq_mos()函数，更改方式和前面一样。
10. 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）
总结文章，不涉及代码使用，没啥可说的。
11. PyTorch-LSTM时间序列预测中如何预测真正的未来值
这部分讲怎么利用现有的模型预测未来不存在的值，这篇文章中给出了一个大致的模型框架，如果需要针对自己的情况进行预测，可以加我微信进行询问。
12. 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）
这篇文章是时间序列预测多任务学习的示例，即一次性输出多个变量，例如利用前24小时的负荷+温度预测接下来12个小时的负荷+温度。
具体使用方法：利用pycharm或者其他IDE打开压缩包中的LSTM-MultiStep-Forecasting项目，然后打开并运行algorithms文件夹下的multi_task_learning.py文件即可。
如果需要使用自己的数据，首先需要将data文件夹下的mtl_data_1.csv或者mtl_data_2.csv替换为自己的csv文件，然后更改data_process.py中的nn_seq_mtl()函数。同时，args.py中的multi_task_args_parser()函数也需要进行更改：
其中output_size表示预测长度，即预测接下来12个小时的多个变量值；n_outputs表示需要预测的变量个数，比如本篇文章中需要预测三个变量。13. PyTorch搭建ANN实现时间序列预测（风速预测）
这篇文章是ANN时间序列预测示例。
具体使用方法：利用pycharm或者其他IDE打开压缩包中的ANN-Speed-Forecasting项目，如下所示：
然后打开并运行ann.py文件即可。如果需要使用自己的数据集，只需将data文件夹下的data.csv替换为自己的csv文件，然后更改data_process.py的相关方法。
14. PyTorch搭建CNN实现时间序列预测（风速预测）
这篇文章是ANN时间序列预测的示例。
具体使用方法：利用pycharm或者其他IDE打开压缩包中的CNN-Speed-Forecasting项目，如下所示：
然后打开并运行cnn.py文件即可。如果需要使用自己的数据集，只需将data文件夹下的data.csv替换为自己的csv文件，然后更改data_process.py的相关方法。
15. 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）
这篇文章是CNN-LSTM混合模型时间序列预测的示例。
具体使用方法：利用pycharm或者其他IDE打开压缩包中的CNN-Speed-Forecasting项目，如下所示：
然后打开并运行main.py文件即可。如果需要使用自己的数据集，只需将data文件夹下的data.csv替换为自己的csv文件，然后更改get_data.py的相关方法，更改方法同前面多变量多步长预测。
16. PyTorch搭建Transformer实现多变量多步长时间序列预测（负荷预测）
这篇文章是Transformer时间序列预测的示例。
具体使用方法：利用pycharm或者其他IDE打开压缩包中的Transformer-Timeseries-Forecasting项目，如下所示：
然后打开并运行main.py文件即可。
如果需要使用自己的数据集，只需将data文件夹下的data.csv替换为自己的csv文件，然后更改get_data.py的相关方法，更改方法同前面多变量多步长预测。
源码获取
-
相关阅读:
努力前行，平凡的我们也能画出一条星光闪耀的轨迹——人大女王金融硕士项目
移动端测试的学习
字符串转换整数
Java工具类--http请求-post
现代cpp教程笔记
拥抱 Spring 全新 OAuth 解决方案
用Python自动生成 图文并茂的数据分析 报告
小程序常用样式和组件
CF1700D River Locks
自动监控网站可用性并发送通知的 Bash 脚本
- 原文地址：https://blog.csdn.net/Cyril_KI/article/details/125490387