基于LSTM时间序列预测Python程序_lstm预测模型python代码

特色：1、单变量，多变量输入，自由切换 

           2、单步预测，多步预测，自动切换

           3、基于Pytorch架构

           4、多个评估指标（MAE,MSE,R2,MAPE等）

           5、数据从excel文件中读取，更换简单

           6、标准框架，数据分为训练集、验证集，测试集

 

全部完整的代码，保证可以运行的代码看这里。

http://t.csdnimg.cn/El450

 

  ！！！如果第一个链接打不开，请点击个人首页，查看我的个人介绍。

（搜索到的产品后，点头像，就能看到全部代码）

黑科技小土豆的博客_CSDN博客-深度学习,32单片机领域博主

 

 

 

LSTM (Long Short-Term Memory) 模型是一种流行的循环神经网络模型 (RNN)，专门用于时间序列数据建模。相对于传统的RNN模型，LSTM模型引入了三个门控制器 (input gate, forget gate, output gate)，能够有效地解决长期依赖（long-term dependency）的问题，从而更好地捕捉序列数据中的规律性和记住历史信息，提高了模型的性能。

LSTM 模型的关键点是记忆单元 (memory cell)，该单元能够学习和遗忘信息，控制历史信息的流动。LSTM 模型通过门将当前的输入和历史信息进行整合，从而实现对输入和历史状态的记忆或遗忘。具体地，输入门控制当前输入的重要程度，遗忘门控制历史状态的遗忘程度，输出门控制输出的重要程度。

LSTM 模型的优点包括：

1. LSTM 模型引入门机制，有效地解决了传统 RNN 模型中存在的长时依赖问题，加强了对历史信息的捕捉和记忆，提高了模型性能。
2. LSTM 模型能够学习和遗忘信息，跨过更长的时间间隔，具有比传统 RNN 更好的长期记忆能力。

因此，LSTM 模型是一种适用于各种时间序列问题的经典模型，在语言模型、文字识别、语音识别等领域广泛应用。

 

class LSTM(nn.Module):
    def __init__(self, input_size, hidden_size, num_layers, batch_size, device="cpu"):
        super().__init__()
        self.device = device
        self.input_size = input_size
        self.hidden_size = hidden_size
        self.num_layers = num_layers
        self.batch_size = batch_size
        self.lstm = nn.LSTM(self.input_size, self.hidden_size, self.num_layers, batch_first=True, bidirectional=False)
 
    def forward(self, input_seq):
        batch_size, seq_len = input_seq.shape[0], input_seq.shape[1]
        h_0 = torch.randn(self.num_layers, batch_size, self.hidden_size).to(self.device)
        c_0 = torch.randn(self.num_layers, batch_size, self.hidden_size).to(self.device)
        output, (h, c) = self.lstm(input_seq, (h_0, c_0))
        return output, h