单步预测与多步与预测的联系与区别_单步预测和多步预测

单步预测与多步预测的联系

通常来说，时间序列预测描述的是在下一个时间步预测出的值，这被称为单步预测。但是有些情况下，预测任务需要预测出未来多个时间步的值，那这种情况就被称为多步预测。

（1）多步预测的预测误差会随着步数的增加而累积，多步预测的结果也会越来越不准。但是单步预测很多时候不会有这种误差累积。

（2）多步预测可以用于预测“不存在”的数据，比如如果想预测第101到120个数据点，这时候便是使用多步预测了。

多步预测方法

以下为温度预测为例子：

（1）Direct Multi-step Forecast Strategy （直接多步预测策略）

直接法为每个预测时间步开发一个单独的模型。
在预测未来两天的温度的情况下，我们将学习一个独立的模型用于预测第一天温度，另一个独立的模型来预测第二天的温度。

（2）Recursive Multi-step Forecast （递归多步预测策略）

递归策略则多次使用一步模型，前一个时间步的预测被用作对下一个时间步进行预测的输入
在预测未来两天的气温时，我们将开发一个一步预测模型。该模型将先用于预测第1天，然后将第1天的预测结果当做观察输入，以便预测第2天。

prediction(t+1) = model(obs(t-1), obs(t-2), ..., obs(t-n))
prediction(t+2) = model(prediction(t+1), obs(t-1), ..., obs(t-n-1))
        由于使用预测值来代替观测值，递归策略会造成预测误差不断累积，随着预测时间范围的增加，递归多部预测策略的性能可能会迅速下降。我们多步预测大部分都是使用此方法！ 
（3）Direct-Recursive Hybrid Strategies（直接递归混合多步预测策略） 
        直接和递归策略可以结合起来，以结合这两种方法的优点。
         例如，可以为每个要预测的时间步构造一个单独的模型，但是每个模型可以使用模型在前一个时间步所做的预测作为输入值。
         对于预测未来两天的温度，可以使用两个模型，分别是model1和model2。在进行未来第2天的温度预测时，第一个模型的输出被用作第二个模型的输入。 
（1）全部数据用于多步预测：这就是上述说的，要预测“不存在”的数据。在软件中指定想预测的长度，点击开始就可以了。 
（2）划分“训练-测试集”的多步预测：大致相当于上述举的例子，即将全部数据按照一定比例划分成训练集和测试集，然后多步预测出于测试集相同长度的数据，并画图对比，计算若干评估指标。这种模式下结果往往并不太理想。 
（3）划分“训练-测试集”的单步预测：将全部数据按照一定比例划分成训练集和测试集，然后单步预测出于测试集相同长度的数据，并画图对比，计算若干评估指标。这种模式下预测精度较高，在某些趋势性强的数据中，预测结果可能会表现出“滞后性”。 
				该存储库包含两个用于基于Transformer的时间序列预测的 Pytorch 模型。 
Transformer-singlestep.py 包含单步预测模型
Transformer-multistep.py 包含多步预测模型
这是单步预测模型的输出，该模型已在每日最低温度数据集上训练了 100 个时期。
				本文的目的是提供代码示例，并解释使用python和TensorFlow建模时间序列数据的思路。
本文展示了如何进行多步预测并在模型中使用多个特征。
本文的简单版本是，使用过去48小时的数据和对未来1小时的预测(一步)，我获得了温度误差的平均绝对误差0.48(中值0.34)度。
利用过去168小时的数据并提前24小时进行预测，平均绝对误差为摄氏温度1.69度(中值1.27)。
所使用的特征是过去每小时的温度数据、每日及每年的循环信号、气压及风速。
使用来自https://openweathermap.org/
输入窗口 全部使用 真实值作为 输入窗口，这种情况是只预测未来一个值的时候这个情况的。
预测未来第一个值的时候输入窗口使用全部真实值，预测后面n-1 个的时候，预测窗口将包含有预测值，这种情况是单步预测预测未来的多个值的时候。
2. 多步预测
所谓多步预测，就是每—次预测的时候 输入窗口  预测 未来n个值（也叫n步）。
多步预测的策略：
只预测未来一次，即只预测一个n输入的n个输出，n是滑动窗口
单步预测适用于以下场景：
1. 当我们只需要预测下一个时间步的数值时，单步预测是最简单和直接的方法。
2. 当时间序列数据的趋势和季节性变化较为平稳，且未来的变化与过去的数据关联较强时，单步预测通常能够取得较好的结果。
多步预测适用于以下场景：
1. 当我们需要预测未来多个时间步的数值时，多步预测可以提供更长期的预测结果。
2. 当时间序列数据存在复杂的非线性趋势、季节性变化或突发事件时，多步预测可以更好地捕捉这些特征，并提供更准确的预测结果。
需要注意的是，多步预测相对于单步预测更加困难，因为每个时间步的预测结果都会受到前面预测结果的影响，累积误差可能会增加。因此，在选择单步预测还是多步预测时，需要根据具体问题和数据特征来进行判断。