数学建模算法之使用 LSTM 神经网络进行时间序列预测（python版）

2744557306

使用 LSTM 神经网络进行时间序列预测的过程。下面我会对代码的主要部分进行解释：

• 定义 LSTM 网络：
  
  
  • lstm_reg 类继承自 nn.Module，它包含了一个 LSTM 层和一个线性层。
  • 在 __init__ 方法中，定义了 LSTM 层和线性层的结构，其中 input_size 是输入样本的特征维度，hidden_size 是 LSTM 层的神经元个数，num_layers 是 LSTM 网络的层数。
  • forward 方法实现了前向传播过程，将输入数据经过 LSTM 层和线性层得到输出。
    " ?2 m2 m7 E3 Z# ^6 G
• 创建预测数据集：
  
  % K6 L) V6 e- z
  • create_dataset 函数根据给定的数据集和滑动窗口大小创建预测的输入数据 data_X 和输出数据 data_Y。
    + k( {* A; z6 }5 P: L0 j  d
• 划分和重塑数据集：
  
  5 Y" R5 |  e& a0 o
  • split_reshape_dataset 函数将数据集划分为训练集和测试集，并将数据集的形状调整为适应 LSTM 网络的输入。
  • 设置一个分割系数，默认为 0.7，即将数据集的前 70% 作为训练集，后 30% 作为测试集。
  • look_back 参数是滑动窗口的大小，决定了输入特征的维度。
    0 m; G6 i1 E1 c& h) U
• 数据预处理：
  
  ! c. ~8 V& ^( p4 C' Y/ ~! j- J
  • data_preprocessing 函数对数据集进行预处理，包括丢弃空值和将数据归一化。
    
• 构建和训练 LSTM 网络：
  
  - r3 L7 F. H+ S( R+ p" Q
  • 使用给定的参数创建 net 对象，即 LSTM 网络。
  • 定义损失函数 criterion 和优化器 optimizer。
  • 使用训练集进行训练，根据损失函数计算损失并通过优化器更新网络权重。
    ( s4 q  m. `+ K% F
• 加载已经训练好的模型：
  
  
  • 使用 torch.load 加载之前保存的模型参数文件。
      z4 l1 d: l; ~4 K% y
• 进行预测：
  
  5 [! N" D2 _' v' N4 T
  • 使用测试集数据进行预测，将预测结果经过逆归一化处理得到真实值。
  • 使用 Matplotlib 绘制真实值和预测值的曲线图。
    ! l- V" T9 d  ]+ ^
• 计算 MSE 损失：
  
  % O4 W. ?# T9 V$ Y0 n$ `
  • 将真实值和预测值之间的差平方，再求平均得到 MSE 损失。
    0 [/ v; [. j; W& X8 F. F0 Q

这段代码可以根据给定的数据集进行时间序列预测，并计算预测结果的 MSE 损失。

4 W, r2 q2 A0 _& p! }; M
3 M# V5 v- b4 v6 Q; |