目录
I. 前言
前面已经写了很多关于时间序列预测的文章：
- 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中利用LSTMCell搭建多层LSTM实现时间序列预测
- 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
- TensorFlow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
- TensorFlow搭建LSTM实现多变量多步长时间序列预测（五）：seq2seq
- TensorFlow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）
- TensorFlow搭建ANN实现时间序列预测（风速预测）
- TensorFlow搭建CNN实现时间序列预测（风速预测）
- TensorFlow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）
- PyG搭建图神经网络实现多变量输入多变量输出时间序列预测
- 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
- PyG Temporal搭建STGCN实现多变量输入多变量输出时间序列预测
- 时序预测中Attention机制是否真的有效？盘点LSTM/RNN中24种Attention机制+效果对比
上面所有文章都是”单变量输出”，虽然某些文章中提到了”多变量”，但这个多变量只是输入多变量，而不是输出多变量。比如我们利用前24个时刻的[负荷、温度、湿度、压强]预测接下来12个时刻的负荷，此时输入为多变量，虽然有多个输出（多步长），但输出的都是同一变量。
那么有没有办法一次性输出多个变量呢？当然是可以的，在前几篇文章的评论中也有人提到了这个问题，当时我给出的回答是：”这样做效果很不好，不建议这么做”。
II. 多变量输入多变量输出
多变量输入自不必说，不了解的可以去看一下前面几篇文章。
多变量输出是指：我们一次性输出多个变量的预测值。比如我们利用前24小时的[负荷、温度、湿度、压强]预测接下来12个时刻的[负荷、温度、湿度、压强]。实际上， 我们可以将多个变量的输出分解开来，看成多个任务，也就是多任务学习，其中每一个任务都是前面提到的多变量输入单变量输出。
具体来讲，假设需要预测四个变量，输出在经过LSTM后得到output，我们将output分别通过四个全连接层，就能得到四个输出。得到四个输出后，我们就可以计算出四个损失函数，对这四个损失函数，本文将其简单求平均以得到最终的损失函数。关于如何组合多任务学习中的损失，已经有很多文献探讨过，感兴趣的可以自行了解。
III. 代码实现
3.1 数据处理
本次实验用到了两个数据集：数据集1包含某个地区的负荷、湿度以及能见度三个特征。数据集2中包含三个地区的负荷值。
数据集1：
数据集2：
依旧使用前24个时刻的三个变量预测后12个时刻的三个变量，数据处理同前面文章一致。
; 3.2 模型搭建
多输入多输出LSTM模型搭建如下：
class LSTM(nn.Module):
def __init__(self, input_size, hidden_size, num_layers, output_size, batch_size, n_outputs):
super().__init__()
self.input_size = input_size
self.hidden_size = hidden_size
self.num_layers = num_layers
self.output_size = output_size
self.num_directions = 1
self.n_outputs = n_outputs
self.batch_size = batch_size
self.lstm = nn.LSTM(self.input_size, self.hidden_size, self.num_layers, batch_first=True)
self.fc1 = nn.Linear(self.hidden_size, self.output_size)
self.fc2 = nn.Linear(self.hidden_size, self.output_size)
self.fc3 = nn.Linear(self.hidden_size, self.output_size)
def forward(self, input_seq):
batch_size, seq_len = input_seq.shape[0], input_seq.shape[1]
h_0 = torch.randn(self.num_directions * self.num_layers, batch_size, self.hidden_size).to(device)
c_0 = torch.randn(self.num_directions * self.num_layers, batch_size, self.hidden_size).to(device)
output, _ = self.lstm(input_seq, (h_0, c_0))
preds = []
pred1, pred2, pred3 = self.fc1(output), self.fc2(output), self.fc3(output)
pred1, pred2, pred3 = pred1[:, -1, :], pred2[:, -1, :], pred3[:, -1, :]
pred = torch.stack([pred1, pred2, pred3], dim=0)
return pred
可以看到，由于需要预测三个变量，所以我们在模型中定义了三个全连接层。在得到LSTM的输出后，分别利用三个全连接层得到三个变量的输出，再将三个输出进行拼接，得到最后的pred，pred的shape为：
predict(n_outputs, batch_size, output_size)
其中n_outputs=3，表示一次性预测三个变量，output_size=12表示这里采用了PyTorch搭建LSTM实现多变量多步长时间序列预测（一）：直接多输出中的策略，一次性输出接下来12个时刻的预测值，因为是直接多输出，所以这里pred_step_size=output_size。
3.3 模型训练/测试
模型训练中，经过预测后，我们得到的label和pred的shape分别为：
label(batch_size, n_outputs, pred_step_size)
pred((n_outputs, batch_size, pred_step_size))
由于需要对每一个output计算损失然后相加求平均，所以我们的损失函数求解如下：
total_loss = 0
for k in range(args.n_outputs):
total_loss = total_loss + loss_function(preds[k, :, :], labels[:, k, :])
total_loss /= preds.shape[0]
即每次都取出一个output进行计算求和再平均。
3.4 实验结果
数据集1中包含的是某个地区的负荷、湿度以及能见度三个特征，其预测结果如下所示：
变量负荷湿度能见度MAPE9.76%6.44%8.49%
数据集2中包含三个地区的负荷值：
变量负荷1负荷2负荷3MAPE5.37%8.89%6.29%
观察上述结果我们可以发现，数据集2上的预测效果明显更好，这可能是因为 三个负荷变量之间相关性较强。
; IV. 源码及数据
后面将陆续公开~
Original: https://blog.csdn.net/Cyril_KI/article/details/125242049
Author: Cyril_KI
Title: 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）
原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/705425/
转载文章受原作者版权保护。转载请注明原作者出处！