TensorFlow搭建LSTM实现多变量时间序列预测(负荷预测)
Posted Cyril_KI
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了TensorFlow搭建LSTM实现多变量时间序列预测(负荷预测)相关的知识,希望对你有一定的参考价值。
目录
I. 前言
在前面的一篇文章TensorFlow搭建LSTM实现时间序列预测(负荷预测)中,我们利用LSTM实现了负荷预测,但我们只是简单利用负荷预测负荷,并没有利用到其他一些环境变量,比如温度、湿度等。
本篇文章主要考虑用TensorFlow搭建LSTM实现多变量时间序列预测。
系列文章:
- 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)
- PyTorch时间序列预测系列文章总结(代码使用方法)
- TensorFlow搭建LSTM实现时间序列预测(负荷预测)
- TensorFlow搭建LSTM实现多变量时间序列预测(负荷预测)
- TensorFlow搭建双向LSTM实现时间序列预测(负荷预测)
- TensorFlow搭建LSTM实现多变量多步长时间序列预测(一):直接多输出
- TensorFlow搭建LSTM实现多变量多步长时间序列预测(二):单步滚动预测
- TensorFlow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
II. 数据处理
数据集为某个地区某段时间内的电力负荷数据,除了负荷以外,还包括温度、湿度等信息。
本文中,我们根据前24个时刻的负荷以及该时刻的环境变量来预测下一时刻的负荷。最终得到了batch_size=B的数据集Dtr、Val以及Dte,Dtr为训练集,Val为验证集,Dte为测试集。
任意输出一条数据:
(<tf.Tensor: shape=(24, 7), dtype=float32, numpy=
array([[0.36147627, 0. , 0.90909094, 0. , 0.8333333 ,
0.3255814 , 0.24390244],
[0.3429366 , 0. , 0.90909094, 0. , 0.8333333 ,
0.3255814 , 0.24390244],
[0.34939995, 0. , 0.90909094, 0. , 0.8333333 ,
0.3255814 , 0.24390244],
[0.35257494, 0. , 0.90909094, 0. , 0.8333333 ,
0.3255814 , 0.24390244],
[0.39485145, 0. , 0.90909094, 0. , 0.8333333 ,
0.3255814 , 0.24390244],
[0.38066387, 0. , 0.90909094, 0. , 0.8333333 ,
0.3255814 , 0.24390244],
[0.44114256, 0. , 0.90909094, 0. , 0.8333333 ,
0.3255814 , 0.24390244],
[0.4603167 , 0. , 0.90909094, 0. , 0.8333333 ,
0.3255814 , 0.24390244],
[0.45330796, 0. , 0.90909094, 0. , 0.8333333 ,
0.3255814 , 0.24390244],
[0.47912365, 0. , 0.90909094, 0. , 0.8333333 ,
0.3255814 , 0.24390244],
[0.46706894, 0. , 0.90909094, 0. , 0.8333333 ,
0.3255814 , 0.24390244],
[0.5081953 , 0. , 0.90909094, 0. , 0.8333333 ,
0.3255814 , 0.24390244],
[0.4452976 , 0. , 0.90909094, 0. , 0.8333333 ,
0.3255814 , 0.24390244],
[0.4360156 , 0. , 0.90909094, 0. , 0.8333333 ,
0.3255814 , 0.24390244],
[0.4917237 , 0. , 0.90909094, 0. , 0.8333333 ,
0.3255814 , 0.24390244],
[0.4723147 , 0. , 0.90909094, 0. , 0.8333333 ,
0.3255814 , 0.24390244],
[0.47849187, 0. , 0.90909094, 0. , 0.8333333 ,
0.3255814 , 0.24390244],
[0.524864 , 0. , 0.90909094, 0. , 0.8333333 ,
0.3255814 , 0.24390244],
[0.52128404, 0. , 0.90909094, 0. , 0.8333333 ,
0.3255814 , 0.24390244],
[0.47682068, 0. , 0.90909094, 0. , 0.8333333 ,
0.3255814 , 0.24390244],
[0.4345901 , 0. , 0.90909094, 0. , 0.8333333 ,
0.3255814 , 0.24390244],
[0.39052632, 0. , 0.90909094, 0. , 0.8333333 ,
0.3255814 , 0.24390244],
[0.33869517, 0. , 0.90909094, 0. , 0.8333333 ,
0.3255814 , 0.24390244],
[0.3025095 , 0. , 0.90909094, 0. , 0.8333333 ,
0.3255814 , 0.24390244]], dtype=float32)>, <tf.Tensor: shape=(1,), dtype=float32, numpy=array([0.37805316], dtype=float32)>)
每一行对应一个时刻点的负荷以及环境变量,此时input_size=7。
III. LSTM模型
这里采用了TensorFlow搭建LSTM实现时间序列预测(负荷预测)中的模型:
class LSTM(keras.Model):
def __init__(self, args):
super(LSTM, self).__init__()
self.lstm = Sequential()
for i in range(args.num_layers):
self.lstm.add(layers.LSTM(units=args.hidden_size, input_shape=(args.seq_len, args.input_size),
activation='tanh', return_sequences=True))
self.fc1 = layers.Dense(64, activation='relu')
self.fc2 = layers.Dense(args.output_size)
def call(self, data, training=None, mask=None):
x = self.lstm(data)
x = self.fc1(x)
x = self.fc2(x)
return x[:, -1:, :]
IV. 训练/测试
简单训练了30轮,MAPE为4.99%:
V. 源码及数据
后面将陆续公开~
以上是关于TensorFlow搭建LSTM实现多变量时间序列预测(负荷预测)的主要内容,如果未能解决你的问题,请参考以下文章
PyTorch搭建GNN-LSTM和LSTM-GNN模型实现多变量输入多变量输出时间序列预测
TensorFlow搭建双向LSTM实现时间序列预测(负荷预测)
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)