|
|
多特征（多元/多变量）下LSTM是如何利用滑动窗口持续预测未来的？
关注者
58
被浏览
58,013
9 个回答
一、实现效果
往期文章提到了对单列时间序列数据进行滑动窗口处理的思路，本文介绍如何对多输入单输出数据进行滑动窗口的思路。实现效果如下：
二、数据设置：
198行（代表198天），21列数据，其中前20列为变量，第21列为因变量。
前80%数据训练，后20%数据测试
三、滑动窗口处理：
滑动窗口尺寸为7，即可认为前7天的变量作为输入，第7天的因变量作为输出。
则输入的一组样本矩阵结构由 20×1变成 20×7
而样本数量也从原来的198变为192 ，因为前6组变量数据作为了历史样本
四、评价指标：
RMSE = 1.1891
MAPE = 0.05319
五、部分代码：
%% LSTM 多变量单输入滑动窗口处理
clear all;
clc;
close all;
load data
% 数据处理
% 归一化（全部特征 均归一化）
output_data =data(:,end);
input_data =data(:,1:end-1);
[input_normdata,input_normopt] =mapminmax(input_data',0,1);
[output_normdata,output_normopt] = mapminmax(output_data',0,1);
k =7; %滑动窗口处理
% 划分数据集
n = floor(0.8*size(input_normdatacell,1));%训练集，测试集样本数目划分
% LSTM 层设置，参数设置
numhidden_units1=100;
% lstm
layers = [ ...
sequenceInputLayer(inputSize,'name','input') %输入层设置
lstmLayer(numhidden_units1) %学习层设置
fullyConnectedLayer(outputSize,'name','fullconnect') %全连接层设置（outputsize:预测值的特征维度）
regressionLayer('name','out')]; %回归层
% trainoption
opts = trainingOptions('adam', ... %优化算法
'MaxEpochs',10, ... %遍历样本最大循环数
'GradientThreshold',1,... %梯度阈值
'ExecutionEnvironment','cpu',... %运算环境
'InitialLearnRate',0.001, ... %初始学习率
'Plots','training-progress'... % 打印训练进度
% 网络训练
net = trainNetwork(input_xtraincell,output_ytraincell,layers,opts); %网络训练
%预测天数
yprenorm = net.predict(input_xtestcell); %预测