所谓单步预测,就是每—次预测的时候 输入窗口 只 预测 未来一个值。

单步预测的两个策略:

  • 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是滑动窗口个数,即输入n个滑动窗口,直接输出未来的n个,利用的输入全部是历史数据的真实值。
  • 预测未来多次,即预测一个m✖n输入的m✖n个输出,n是滑动窗口个数,m=1、2、3、4、5、6…,即输入n个滑动窗口作为一次输入,整体输入是m次这样的窗口,直接输出未来的m✖n个,利用的输入第一次是历史数据的真实值,第一次之后包含有预测值。

3.单步预测和多步预测的特点

(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。

(1)单步预测预测的时候输入是最近的数据,而长期依赖和短期依赖已经在模型中训练了,准确率比多步预测要好。
(2)多步预测的有点就是能直接预测多步,而单步预测不能,因为单步预测直接预测多步的话会造成时间悖论(但是单步预测可以进行叠加训练预测,从而达到多步预测的目的且误差也比多步预测要小很多很多、因为输入都是利用的最近的数据)。
(3)短期预测用单步预测,长期预测用多步预测或者单步迭代训练预测。

基于LSTM(BiLSTM)的电力负荷 预测 的实现。 包括单变量 单步 预测 、多变量 单步 预测 和多变量 多步 预测 。(Python完整源码) 基于LSTM(BiLSTM)的电力负荷 预测 的实现。 包括单变量 单步 预测 、多变量 单步 预测 和多变量 多步 预测 。(Python完整源码) 基于LSTM(BiLSTM)的电力负荷 预测 的实现。 包括单变量 单步 预测 、多变量 单步 预测 和多变量 多步 预测 。(Python完整源码) 本文主要内容是使用LSTM网络进行不同类型的 时间序列 预测 任务,不涉及代码,仅仅就不同类型的 预测 任务和数据划分进行说明:https://machinelearningmastery.com/how-to-develop-lstm-models-for-time-series-forecasting/ 时间序列 数据 预测 本质就是利用先前的值 预测 后面的值,在得到一组数据后,需要将数据处理为一个个样本,每个样本中包括先前的数据和要 预测 的数据,将其作为训练集。 narx的matlab代码多元 多步 风速 预测 该呼吸包含使用多变量输入数据进行的 单步 多步 风速 预测 的实现代码。 这个想法是使用外部参数(例如温度,湿度,压力等)来 预测 不同层位的风速(向前迈进),而不涉及风速本身的历史数据。 使用了两种主要方法,包括各种 深度学习 迁移学习方法和常规神经网络模型。 风力数据库是从M2塔的获得的。 每两秒钟获取一次M2塔数据,并在不同高度(2至80 m)下测量的一分钟内取平均值。 但是,出于 预测 目的,我们将数据下采样到10分钟(平均)。 可以访问已处理的数据。 数据进行了分区,以将一年(2017)用于培训和验证(80%和20%),并将另一年(2018)用于测试目的。 预训练的 深度学习 模型用于该实验。 该代码在中实现。 文献中提出的几种神经网络方法已在以下方面实现:前馈神经网络(FFNN),时延神经网络(TDNN),非线性自回归外生模型(NARX)。 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 机器学习 深度学习 已越来越多应用在时序 预测 中。ARIMA 或指数平滑等经典 预测 方法正在被 XGBoost、高斯过程或 深度学习 机器学习 回归算法所取代。尽管时序模型越来越复杂,但人们对时序模型的性能表示怀疑。 **YPred_3:取测试集 预测 结果中,100个样本中每个样本分别 预测 的第三个值即(1289-1399)→ 1303-1402 (删去 预测 的第1401-1402值)+YPred_1 预测 的前两个值 1301-1302(第100次 预测 时,样本100:1388-1399 个数据 → 预测 1402)第一种思路 预测 结果会较差,即用未来 预测 结果 预测 未来 ,即我用1390-1401(此时1401为 预测 结果) 预测 1402-1404, 1391-1402 预测 1403-1404……