如何在 LSTM 模型中将未来预测用作时间序列的输入变量？

Posted 2023-02-16

【中文标题】如何在 LSTM 模型中将未来预测用作时间序列的输入变量？

【英文标题】：How can I use future forecasts as input variable in a LSTM model for time series?

【发布时间】：2020-03-17 05:54:14

【问题描述】：

我无法找到任何答案的一般问题，仅暗示有可能：

假设我想预测未来的销售额。

y(t+1) = sales at day t+1 (t+1 = next day)

我有两个输入变量；历史销售和历史天气预报。

x1(t) = historical sales day t
x2(t) = historical weather forecast for day t

训练模型后，我可以预测 y(t+1)。

但是，我如何使用未来的天气数据作为输入？我已经有了 t+1 天的天气预报，它会影响我的销售，我想将其用作输入 - 在本例中为 x2(t+1)。像这样：

Output:
y(t+1)

Input:
x1(t)
x2(t)
x2(t+1) <------

是否可以将此功能合并到 LSTM 模型中？如果是这样，输入矩阵在训练和使用模型时会是什么样子？

【参考方案1】：

你说的很对。您可以提供当前天气和以前的销售额作为预测当前销售额的输入。

sales[t+1] = RNN(weather[t+1], sales[t]) <-- [Correct]

但是，没有必要提供以前的天气，因为相关信息将通过隐藏的功能传播。

sales[t+1] = RNN(weather[t+1], weather[t], sales[t]) <-- [Wrong]

示例

让这成为我们的样本数据。

df = pd.DataFrame(['weather':1, 'sales':500, 'weather':3, 'sales':200, 'weather':2, 'sales':400, 'weather':0, 'sales':600])
print(df)

   weather  sales
0        1    500
1        3    200
2        2    400
3        0    600

我们必须生成具有特定维度的训练输入。

#Training input dimensions = (No. of training samples, seq_length, No. of features)

seq_len = 3 #Number of times the LSTM loops
n_features = 2 # weather and sales are considered as input

training_input = torch.zeros((df.shape[0], seq_len, n_features))
row = torch.zeros(seq_len, n_features)
for i in range(df.shape[0]):
    row[:-1] = row[1:]
    prev_sales = df.sales[i-1] if i > 0 else 0 #i.e., sales[-1] = 0
    row[-1, :] = torch.tensor([df.weather[i], prev_sales])
    training_input[i] = row

print(training_input)

tensor([[[  0.,   0.],
         [  0.,   0.],
         [  1.,   0.]],

        [[  0.,   0.],
         [  1.,   0.],
         [  3., 500.]],

        [[  1.,   0.],
         [  3., 500.],
         [  2., 200.]],

        [[  3., 500.],
         [  2., 200.],
         [  0., 400.]]])

以下部分是有关向 LSTM 层提供训练输入的示例。

初始化 LSTM 参数

input_size = 2 #weather and previous sales are considered as input
hidden_size = 2 #any number can be used
n_layers = 1 #number of LSTMs stacked. In this case, only 1 LSTM is used
batch_size = training_input.size()[0] #passing entire training input in one go

初始化 hidden_​​input

hidden_input = torch.zeros(n_layers,batch_size,hidden_size), torch.zeros(n_layers,batch_size, hidden_size)

创建 LSTM 层

lstm = nn.LSTM(input_size,hidden_size)

必须根据 LSTM 类中前向函数接受的输入维度对训练输入进行整形。

lstm_input = training_input.view(seq_len,batch_size,input_size)
out, hidden = lstm(lstm_input, hidden_input)

print(out[-1])

tensor([[2.0370e-10, 9.6134e-07],
    [2.2299e-25, 7.1835e-28],
    [2.0600e-10, 1.1409e-06],
    [8.0952e-21, 1.2101e-24]], grad_fn=<SelectBackward>)

有关详细信息，请参阅Pytorch documentation for LSTM layer。希望这会有所帮助。