lstm pytorch实例实现,pytorch lstmcell

　　本文主要介绍PyTorch构建LSTM实现时间序列负荷预测。有需要的朋友可以参考一下，希望能有所帮助。祝大家进步很大，早日升职加薪。

　　00-1010i。前言二。数据处理。LSTM模式四。培训与测试。源代码和数据

I. 前言

　　数据集是某个地区某段时间的电力负荷数据。除了负载，还包括温度、湿度等信息。

　　本文暂时不考虑其他变量，只考虑历史负荷来预测未来负荷。

　　本文根据前24个时刻的荷载，计算下一个时刻的荷载。多元预测可参考：PyTorch构建LSTM实现多元时间序列预测(负荷预测)。

　　定义加载数据(文件名):

　　全局最大值、最小值

　　df=PD . read _ CSV( data/new _ data/ file _ name，encoding=gbk )

　　columns=df.columns

　　df.fillna(df.mean()，inplace=True)

　　MAX=np.max(df[columns[1]])

　　MIN=NP . MIN(df[列[1]])

　　df[columns[1]]=(df[columns[1]]-MIN)/(MAX-MIN)

　　返回df

　　类MyDataset(数据集):

　　def __init__(self，data):

　　self.data=数据

　　def __getitem__(self，item):

　　返回自身数据[项目]

　　def __len__(self):

　　返回len(自身数据)

　　def nn_seq(文件名，B):

　　打印(“处理数据：”)

　　数据=加载数据(文件名)

　　load=data[data.columns[1]]

　　load=load.tolist()

　　负载=火炬。浮动传感器(负载)。视图(-1)

　　data=data.values.tolist()

　　序列=[]

　　对于范围内的I(len(data)-24):

　　train_seq=[]

　　train_label=[]

　　对于范围(I，I ^ 24):内的j

　　train_seq.append(加载[j])

　　train_label.append(load[i 24])

　　train_seq=火炬。浮动处理器(train_seq)。视图(-1)

　　train_label=火炬。FloatTensor(train_label)。视图(-1)

　　序列追加((train_seq，train_label))

　　#打印(序列号[:5])

　　DTR=seq[0: int(len(seq)* 0.7)]

　　DTE=seq[int(len(seq)* 0.7): len(seq)]

　　train_len=int(len(Dtr)/B) * B

　　test_len=int(len(Dte)/B) * B

　　Dtr，Dte=Dtr[:测试长度]，Dte[:测试长度]

　　train=MyDataset(Dtr)

　　测试=我的数据集(Dte)

　　Dtr=DataLoader(dataset=train，b

　　atch_size=B, shuffle=False, num_workers=0)

　　 Dte = DataLoader(dataset=test, batch_size=B, shuffle=False, num_workers=0)

　　 return Dtr, Dte

　　上面代码用了DataLoader来对原始数据进行处理，最终得到了batch_size=B的数据集Dtr和Dte，Dtr为训练集，Dte为测试集。

III. LSTM模型

　　这里采用了深入理解PyTorch中LSTM的输入和输出（从input输入到Linear输出）中的模型：

class LSTM(nn.Module):

IV. 训练

def LSTM_train(name, b):

　　一共训练了15轮：

V. 测试

def test(name, b):

　　MAPE为6.07%：

VI. 源码及数据

　　源码及数据我放在了GitHub上，LSTM-Load-Forecasting

　　以上就是PyTorch搭建LSTM实现时间序列负荷预测的详细内容，更多关于PyTorch搭建LSTM时间序列负荷预测的资料请关注盛行IT软件开发工作室其它相关文章！

郑重声明：本文由网友发布，不代表盛行IT的观点，版权归原作者所有，仅为传播更多信息之目的，如有侵权请联系，我们将第一时间修改或删除，多谢。