I. 前言

在前面的一篇文章TensorFlow搭建LSTM实现时间序列预测（负荷预测）中，我们利用LSTM实现了负荷预测，但我们只是简单利用负荷预测负荷，并没有利用到其他一些环境变量，比如温度、湿度等。

本篇文章主要考虑用TensorFlow搭建LSTM实现多变量时间序列预测。

系列文章：

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

II. 数据处理

数据集为某个地区某段时间内的电力负荷数据，除了负荷以外，还包括温度、湿度等信息。

本文中，我们根据前24个时刻的负荷以及该时刻的环境变量来预测下一时刻的负荷。最终得到了batch_size=B的数据集Dtr、Val以及Dte，Dtr为训练集，Val为验证集，Dte为测试集。

任意输出一条数据：

(<tf.Tensor: shape=(24, 7), dtype=float32, numpy=
array([[0.36147627, 0.        , 0.90909094, 0.        , 0.8333333 ,0.3255814 , 0.24390244],[0.3429366 , 0.        , 0.90909094, 0.        , 0.8333333 ,0.3255814 , 0.24390244],[0.34939995, 0.        , 0.90909094, 0.        , 0.8333333 ,0.3255814 , 0.24390244],[0.35257494, 0.        , 0.90909094, 0.        , 0.8333333 ,0.3255814 , 0.24390244],[0.39485145, 0.        , 0.90909094, 0.        , 0.8333333 ,0.3255814 , 0.24390244],[0.38066387, 0.        , 0.90909094, 0.        , 0.8333333 ,0.3255814 , 0.24390244],[0.44114256, 0.        , 0.90909094, 0.        , 0.8333333 ,0.3255814 , 0.24390244],[0.4603167 , 0.        , 0.90909094, 0.        , 0.8333333 ,0.3255814 , 0.24390244],[0.45330796, 0.        , 0.90909094, 0.        , 0.8333333 ,0.3255814 , 0.24390244],[0.47912365, 0.        , 0.90909094, 0.        , 0.8333333 ,0.3255814 , 0.24390244],[0.46706894, 0.        , 0.90909094, 0.        , 0.8333333 ,0.3255814 , 0.24390244],[0.5081953 , 0.        , 0.90909094, 0.        , 0.8333333 ,0.3255814 , 0.24390244],[0.4452976 , 0.        , 0.90909094, 0.        , 0.8333333 ,0.3255814 , 0.24390244],[0.4360156 , 0.        , 0.90909094, 0.        , 0.8333333 ,0.3255814 , 0.24390244],[0.4917237 , 0.        , 0.90909094, 0.        , 0.8333333 ,0.3255814 , 0.24390244],[0.4723147 , 0.        , 0.90909094, 0.        , 0.8333333 ,0.3255814 , 0.24390244],[0.47849187, 0.        , 0.90909094, 0.        , 0.8333333 ,0.3255814 , 0.24390244],[0.524864  , 0.        , 0.90909094, 0.        , 0.8333333 ,0.3255814 , 0.24390244],[0.52128404, 0.        , 0.90909094, 0.        , 0.8333333 ,0.3255814 , 0.24390244],[0.47682068, 0.        , 0.90909094, 0.        , 0.8333333 ,0.3255814 , 0.24390244],[0.4345901 , 0.        , 0.90909094, 0.        , 0.8333333 ,0.3255814 , 0.24390244],[0.39052632, 0.        , 0.90909094, 0.        , 0.8333333 ,0.3255814 , 0.24390244],[0.33869517, 0.        , 0.90909094, 0.        , 0.8333333 ,0.3255814 , 0.24390244],[0.3025095 , 0.        , 0.90909094, 0.        , 0.8333333 ,0.3255814 , 0.24390244]], dtype=float32)>, <tf.Tensor: shape=(1,), dtype=float32, numpy=array([0.37805316], dtype=float32)>)

每一行对应一个时刻点的负荷以及环境变量，此时input_size=7。

III. LSTM模型

这里采用了TensorFlow搭建LSTM实现时间序列预测（负荷预测）中的模型：

class LSTM(keras.Model):def __init__(self, args):super(LSTM, self).__init__()self.lstm = Sequential()for i in range(args.num_layers):self.lstm.add(layers.LSTM(units=args.hidden_size, input_shape=(args.seq_len, args.input_size),activation='tanh', return_sequences=True))self.fc1 = layers.Dense(64, activation='relu')self.fc2 = layers.Dense(args.output_size)def call(self, data, training=None, mask=None):x = self.lstm(data)x = self.fc1(x)x = self.fc2(x)return x[:, -1:, :]

IV. 训练/测试

简单训练了30轮，MAPE为4.14%：

V. 源码及数据

后面将陆续公开~

TensorFlow搭建LSTM实现多变量时间序列预测（负荷预测）相关推荐

TensorFlow搭建LSTM实现时间序列预测（负荷预测）
目录 I. 前言 II. 数据处理 III. 模型 IV. 训练/测试 V. 源码及数据 I. 前言前面已经写过不少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 ...
使用 LSTM 进行多变量时间序列预测的保姆级教程
来源:DeepHub IMBA 本文约3800字,建议阅读10分钟本文中我们将使用深度学习方法 (LSTM) 执行多元时间序列预测. 使用 LSTM 进行端到端时间序列预测的完整代码和详细解释. 我们 ...
使用 LSTM 进行多变量时间序列预测
使用 LSTM 进行端到端时间序列预测的完整代码和详细解释. 在本文中我们将使用深度学习方法 (LSTM) 执行多元时间序列预测. 我们先来了解两个主题-- 什么是时间序列分析? 什么是 LSTM? ...
matlab负荷预测,负荷预测matlab
本文主要针对BP 神经网络应用于电力系统短期负荷预测做了进一步的研究,并通过MATLAB设计BP神经网络,仿真结果表明BP神经网络在短期负荷预测中的应用是可行的,能较好...... MATLAB ...
【数值预测案例】(6) LSTM、GRU 时间序列股票数据预测，附TensorFlow完整代码
大家好,今天和各位分享一下如何使用循环神经网络 LSTM 和 GRU 完成对股票数据的预测.GRU 是在 LSTM 基础上的简化,将 LSTM 内部的三个闸门简化成两个,往往 GRU 的计算效果会优于 ...
Python——LSTM、GRU 时间序列股票数据预测（文末完整代码）
GRU 是在 LSTM 基础上的简化,将 LSTM 内部的三个闸门简化成两个,往往 GRU 的计算效果会优于 LSTM 目录 1. 导入工具包 2. 获取数据集 3. 数据预处理 4. 时间序列滑窗 ...
Tensorflow搭建LSTM对文本进行分类
rnn_model.py: #!/usr/bin/python # -*- coding: utf-8 -*-import tensorflow as tfclass TRNNConfig(objec ...
TensorFlow搭建双向LSTM实现时间序列预测（负荷预测）
目录 I. 前言 II. 原理 III. 模型定义 IV. 训练和预测 V. 源码及数据 I. 前言前面几篇文章中介绍的都是单向LSTM,这篇文章讲一下双向LSTM. 系列文章: 深入理解PyTor ...
TensorFlow搭建CNN实现时间序列预测（风速预测）
目录 I. 数据集 II. 特征构造 III. 一维卷积 IV. 数据处理 1. 数据预处理 2. 数据集构造 V. CNN模型 1. 模型搭建 2. 模型训练及表现 VI. 源码及数据时间序列预测 ...

TensorFlow搭建LSTM实现多变量时间序列预测（负荷预测）

目录