欧美bbbwbbbw肥妇,免费乱码人妻系列日韩,一级黄片

PyTorch搭建雙向LSTM實(shí)現(xiàn)時(shí)間序列負(fù)荷預(yù)測(cè)

 更新時(shí)間：2022年05月11日 09:46:37   作者：Cyril_KI  
這篇文章主要為大家介紹了PyTorch搭建雙向LSTM實(shí)現(xiàn)時(shí)間序列負(fù)荷預(yù)測(cè)，有需要的朋友可以借鑒參考下，希望能夠有所幫助，祝大家多多進(jìn)步，早日升職加薪

I. 前言

前面幾篇文章中介紹的都是單向LSTM，這篇文章講一下雙向LSTM。

系列文章：

PyTorch搭建LSTM實(shí)現(xiàn)多變量多步長(zhǎng)時(shí)序負(fù)荷預(yù)測(cè)

PyTorch搭建LSTM實(shí)現(xiàn)多變量時(shí)序負(fù)荷預(yù)測(cè)

PyTorch深度學(xué)習(xí)LSTM從input輸入到Linear輸出

PyTorch搭建LSTM實(shí)現(xiàn)時(shí)間序列負(fù)荷預(yù)測(cè)

II. 原理

關(guān)于LSTM的輸入輸出在深入理解PyTorch中LSTM的輸入和輸出（從input輸入到Linear輸出）中已經(jīng)有過(guò)詳細(xì)敘述。

關(guān)于nn.LSTM的參數(shù)，官方文檔給出的解釋為：

總共有七個(gè)參數(shù)，其中只有前三個(gè)是必須的。由于大家普遍使用PyTorch的DataLoader來(lái)形成批量數(shù)據(jù)，因此batch_first也比較重要。LSTM的兩個(gè)常見(jiàn)的應(yīng)用場(chǎng)景為文本處理和時(shí)序預(yù)測(cè)，因此下面對(duì)每個(gè)參數(shù)我都會(huì)從這兩個(gè)方面來(lái)進(jìn)行具體解釋。

  • input_size：在文本處理中，由于一個(gè)單詞沒(méi)法參與運(yùn)算，因此我們得通過(guò)Word2Vec來(lái)對(duì)單詞進(jìn)行嵌入表示，將每一個(gè)單詞表示成一個(gè)向量，此時(shí)input_size=embedding_size。
  • 比如每個(gè)句子中有五個(gè)單詞，每個(gè)單詞用一個(gè)100維向量來(lái)表示，那么這里input_size=100；
  • 在時(shí)間序列預(yù)測(cè)中，比如需要預(yù)測(cè)負(fù)荷，每一個(gè)負(fù)荷都是一個(gè)單獨(dú)的值，都可以直接參與運(yùn)算，因此并不需要將每一個(gè)負(fù)荷表示成一個(gè)向量，此時(shí)input_size=1。
  • 但如果我們使用多變量進(jìn)行預(yù)測(cè)，比如我們利用前24小時(shí)每一時(shí)刻的[負(fù)荷、風(fēng)速、溫度、壓強(qiáng)、濕度、天氣、節(jié)假日信息]來(lái)預(yù)測(cè)下一時(shí)刻的負(fù)荷，那么此時(shí)input_size=7。
  • hidden_size：隱藏層節(jié)點(diǎn)個(gè)數(shù)?？梢噪S意設(shè)置。
  • num_layers：層數(shù)。nn.LSTMCell與nn.LSTM相比，num_layers默認(rèn)為1。
  • batch_first：默認(rèn)為False，意義見(jiàn)后文。

Inputs

關(guān)于LSTM的輸入，官方文檔給出的定義為：

可以看到，輸入由兩部分組成：input、(初始的隱狀態(tài)h_0，初始的單元狀態(tài)c_0)?

其中input：

input(seq_len, batch_size, input_size)
  • seq_len：在文本處理中，如果一個(gè)句子有7個(gè)單詞，則seq_len=7；在時(shí)間序列預(yù)測(cè)中，假設(shè)我們用前24個(gè)小時(shí)的負(fù)荷來(lái)預(yù)測(cè)下一時(shí)刻負(fù)荷，則seq_len=24。
  • batch_size：一次性輸入LSTM中的樣本個(gè)數(shù)。在文本處理中，可以一次性輸入很多個(gè)句子；在時(shí)間序列預(yù)測(cè)中，也可以一次性輸入很多條數(shù)據(jù)。
  • input_size：見(jiàn)前文。

(h_0, c_0)：

h_0(num_directions * num_layers, batch_size, hidden_size)
c_0(num_directions * num_layers, batch_size, hidden_size)

h_0和c_0的shape一致。

  • num_directions：如果是雙向LSTM，則num_directions=2；否則num_directions=1。
  • num_layers：見(jiàn)前文。
  • batch_size：見(jiàn)前文。
  • hidden_size：見(jiàn)前文。

Outputs

關(guān)于LSTM的輸出，官方文檔給出的定義為：

可以看到，輸出也由兩部分組成：otput、(隱狀態(tài)h_n，單元狀態(tài)c_n)

其中output的shape為：

output(seq_len, batch_size, num_directions * hidden_size)

h_n和c_n的shape保持不變，參數(shù)解釋見(jiàn)前文。

batch_first

如果在初始化LSTM時(shí)令batch_first=True，那么input和output的shape將由：

input(seq_len, batch_size, input_size)
output(seq_len, batch_size, num_directions * hidden_size)

變?yōu)椋?/p> 

input(batch_size, seq_len, input_size)
output(batch_size, seq_len, num_directions * hidden_size)

即batch_size提前。

輸出提取

假設(shè)最后我們得到了output(batch_size, seq_len, 2 * hidden_size)，我們需要將其輸入到線性層，有以下兩種方法可以參考：

（1）直接輸入

和單向一樣，我們可以將output直接輸入到Linear。在單向LSTM中：

self.linear = nn.Linear(self.hidden_size, self.output_size)

而在雙向LSTM中：

self.linear = nn.Linear(2 * self.hidden_size, self.output_size)

模型：

class BiLSTM(nn.Module):
    def __init__(self, input_size, hidden_size, num_layers, output_size, batch_size):
        super().__init__()
        self.input_size = input_size
        self.hidden_size = hidden_size
        self.num_layers = num_layers
        self.output_size = output_size
        self.num_directions = 2
        self.batch_size = batch_size
        self.lstm = nn.LSTM(self.input_size, self.hidden_size, self.num_layers, batch_first=True, bidirectional=True)
        self.linear = nn.Linear(self.num_directions * self.hidden_size, self.output_size)
    def forward(self, input_seq):
        h_0 = torch.randn(self.num_directions * self.num_layers, self.batch_size, self.hidden_size).to(device)
        c_0 = torch.randn(self.num_directions * self.num_layers, self.batch_size, self.hidden_size).to(device)
        # print(input_seq.size())
        seq_len = input_seq.shape[1]
        # input(batch_size, seq_len, input_size)
        input_seq = input_seq.view(self.batch_size, seq_len, self.input_size)
        # output(batch_size, seq_len, num_directions * hidden_size)
        output, _ = self.lstm(input_seq, (h_0, c_0))
        # print(self.batch_size * seq_len, self.hidden_size)
        output = output.contiguous().view(self.batch_size * seq_len, self.num_directions * self.hidden_size)  # (5 * 30, 64)
        pred = self.linear(output)  # pred()
        pred = pred.view(self.batch_size, seq_len, -1)
        pred = pred[:, -1, :]
        return pred

（2）處理后再輸入

在LSTM中，經(jīng)過(guò)線性層后的output的shape為(batch_size, seq_len, output_size)。假設(shè)我們用前24個(gè)小時(shí)(1 to 24)預(yù)測(cè)后2個(gè)小時(shí)的負(fù)荷(25 to 26)，那么seq_len=24, output_size=2。根據(jù)LSTM的原理，最終的輸出中包含了所有位置的預(yù)測(cè)值，也就是((2 3), (3 4), (4 5)…(25 26))。很顯然我們只需要最后一個(gè)預(yù)測(cè)值，即output[:, -1, :]。

而在雙向LSTM中，一開(kāi)始o(jì)utput(batch_size, seq_len, 2 * hidden_size)，這里面包含了所有位置的兩個(gè)方向的輸出。簡(jiǎn)單來(lái)說(shuō)，output[0]為序列從左往右第一個(gè)隱藏層狀態(tài)輸出和序列從右往左最后一個(gè)隱藏層狀態(tài)輸出的拼接；output[-1]為序列從左往右最后一個(gè)隱藏層狀態(tài)輸出和序列從右往左第一個(gè)隱藏層狀態(tài)輸出的拼接。

如果我們想要同時(shí)利用前向和后向的輸出，我們可以將它們從中間切割，然后求平均。比如output的shape為(30, 24, 2 * 64)，我們將其變成(30, 24, 2, 64)，然后在dim=2上求平均，得到一個(gè)shape為(30, 24, 64)的輸出，此時(shí)就與單向LSTM的輸出一致了。

具體處理方法：

output = output.contiguous().view(self.batch_size, seq_len, self.num_directions, self.hidden_size)
output = torch.mean(output, dim=2)

模型代碼：

class BiLSTM(nn.Module):
    def __init__(self, input_size, hidden_size, num_layers, output_size, batch_size):
        super().__init__()
        self.input_size = input_size
        self.hidden_size = hidden_size
        self.num_layers = num_layers
        self.output_size = output_size
        self.num_directions = 2
        self.batch_size = batch_size
        self.lstm = nn.LSTM(self.input_size, self.hidden_size, self.num_layers, batch_first=True, bidirectional=True)
        self.linear = nn.Linear(self.hidden_size, self.output_size)
    def forward(self, input_seq):
        h_0 = torch.randn(self.num_directions * self.num_layers, self.batch_size, self.hidden_size).to(device)
        c_0 = torch.randn(self.num_directions * self.num_layers, self.batch_size, self.hidden_size).to(device)
        # print(input_seq.size())
        seq_len = input_seq.shape[1]
        # input(batch_size, seq_len, input_size)
        input_seq = input_seq.view(self.batch_size, seq_len, self.input_size)
        # output(batch_size, seq_len, num_directions * hidden_size)
        output, _ = self.lstm(input_seq, (h_0, c_0))
        output = output.contiguous().view(self.batch_size, seq_len, self.num_directions, self.hidden_size)
        output = torch.mean(output, dim=2)
        pred = self.linear(output)
        # print('pred=', pred.shape)
        pred = pred.view(self.batch_size, seq_len, -1)
        pred = pred[:, -1, :]
        return pred

III. 訓(xùn)練和預(yù)測(cè)

數(shù)據(jù)處理、訓(xùn)練以及預(yù)測(cè)同前面幾篇文章。

這里對(duì)單步長(zhǎng)多變量的預(yù)測(cè)進(jìn)行對(duì)比，在其他條件保持一致的情況下，得到的實(shí)驗(yàn)結(jié)果如下所示：

方法LSTMBiLSTM(1)BiLSTM(2)MAPE7.439.299.29

可以看到，僅針對(duì)我所使用的數(shù)據(jù)而言，單向LSTM的效果更好。對(duì)于前面提到的兩種方法，貌似差異不大。

IV. 源碼及數(shù)據(jù)

源碼及數(shù)據(jù)我放在了GitHub上，LSTM-Load-Forecasting

以上就是PyTorch搭建雙向LSTM實(shí)現(xiàn)時(shí)間序列負(fù)荷預(yù)測(cè)的詳細(xì)內(nèi)容，更多關(guān)于雙向LSTM時(shí)序負(fù)荷預(yù)測(cè)的資料請(qǐng)關(guān)注腳本之家其它相關(guān)文章！

相關(guān)文章

最新評(píng)論