使用pytorch构建RNN实现多属性时间序列预测 示例_多属性预测

使用多属性时间序列数据预测风电场实际功率

• 数据展示
  
  第A列时间数据作为时间索引，第N行B-L列作为特征属性（X），第N+1行L列作为预测属性（y），即用上一时刻的数据预测下一时刻的实际功率。下面的series_to_supervised先把数据构建成X-y形式，实际输入时用多少个时间步长作为输入由超参 time-step决定。
• 实验代码

# 先把数据改成X-y形式，输入用time-step决定
from sklearn import preprocessing
import pandas as pd
import numpy as np
import sys
import torch.optim as optim
import torch
import torch.nn as nn
import matplotlib.pyplot as plt
#使输出完整显示
import numpy as np
np.set_printoptions(threshold=np.inf)
pd.set_option('display.max_rows', None)
pd.set_option('display.max_columns', None)
np.set_printoptions(threshold= sys.maxsize)

#n_in,n_out决定了X-y数据形式，series_to_supervised函数的作用是将n行数据拼接成一条训练数据，
#至于哪部分做X，哪部分做y则由后面数组切片决定（train_X, train_y = train[:, :-1], train[:, -1]）
#如果n_in为1代表一条输入作为x，如果n_in为2代表两条输入作为x，以此类推
#如果n_out为1代表往后预测一个时刻的输出，如果n_out为2代表往后预测两个时刻的输出，以此类推
#虽然这部分n_in,n_out的设计并不会对后面的训练有实质的影响，起实质影响的是数组切片（train_X, train_y = train[:, :-1], train[:, -1]）
#但最好保证这块输入输出设计与后面的切片一致，方便理解
def series_to_supervised(data, n_in=1, n_out=1, dropnan=True):
    n_vars = 1 if type(data) is list else data.shape[1]
    df = pd.DataFrame(data)
    cols, names = list(), list()
    # input sequence (t-n, ... t-1)
    for i in range(n_in, 0, -1):
        cols.append(df.shift(i))
        names += [('var%d(t-%d)' % (j+1, i)) for j in range(n_vars)]
    # forecast sequence (t, t+1, ... t+n)
    for i in range(0, n_out):
        cols.append(df.shift(-i))
        if i == 0:
            names += [('var%d(t)' % (j+1)) for j 
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34