这是我的第307篇原创文章。

一、引言

单站点单变量输入单变量输出多步预测问题----基于LSTM实现。

单输入就是输入1个特征变量

单输出就是预测出1个标签的结果

多步就是利用过去N天预测未来M天的结果

二、实现过程

2.1 读取数据集

# 读取数据集
data = pd.read_csv('data.csv')
# 将日期列转换为日期时间类型
data['Month'] = pd.to_datetime(data['Month'])
# 将日期列设置为索引
data.set_index('Month', inplace=True)

data：

2.2 划分数据集

# 拆分数据集为训练集和测试集
train_size = int(len(data) * 0.8)
train_data = data[:train_size]
test_data = data[train_size:]

# 绘制训练集和测试集的折线图
plt.figure(figsize=(10, 6))
plt.plot(train_data, label='Training Data')
plt.plot(test_data, label='Testing Data')
plt.xlabel('Year')
plt.ylabel('Passenger Count')
plt.title('International Airline Passengers - Training and Testing Data')
plt.legend()
plt.show()

共144条数据，8:2划分：训练集115，测试集29。

训练集和测试集：

2.3 归一化

scaler = MinMaxScaler()
df_for_training_scaled = scaler.fit_transform(train_data.values.reshape(-1, 1))
df_for_testing_scaled = scaler.transform(test_data.values.reshape(-1, 1))

2.4 构造LSTM数据集（时序-->监督学习）

def split_series(series, n_past, n_future):
    pass

# 假设给定过去 10 天的观察结果，我们需要预测接下来的 3 天观察结果
n_past = 10
n_future = 3
n_features = 1
# # 将数据集转换为 LSTM 模型所需的形状（样本数，时间步长，特征数）
X_train, y_train = split_series(df_for_training_scaled,n_past, n_future)
X_train = X_train.reshape((X_train.shape[0], X_train.shape[1],n_features))
y_train = y_train.reshape((y_train.shape[0], y_train.shape[1], n_features))
X_test, y_test = split_series(df_for_testing_scaled,n_past, n_future)
X_test = X_test.reshape((X_test.shape[0], X_test.shape[1],n_features))
y_test = y_test.reshape((y_test.shape[0], y_test.shape[1], n_features))

print("trainX Shape-- ",X_train.shape)
print("trainY Shape-- ",y_train.shape)
print("testX Shape-- ",X_test.shape)
print("testY Shape-- ",y_test.shape)

假设给定过去 10 天的观察结果，预测接下来的 3 天观察结果：

取出df_for_training_scaled第【1-10】行第【1】列的10条数据作为X_train[0]，取出df_for_training_scaled第【11-13】行第【1】列的3条数据作为y_train[0]；

取出df_for_training_scaled第【2-11】行第【1】列的10条数据作为X_train[1]，取出df_for_training_scaled第【12-14】行第【1】列的3条数据作为y_train[1]；

取出df_for_training_scaled第【103-112】行第【1】列的10条数据作为X_train[102]，取出df_for_training_scaled第【113-115】行第【1】列的3条数据作为y_train[102]；

依此类推。最终构造出的训练集数量（103）比划分时候的训练集数量（115）少一个12（n_past+n_future-1）。

X_train是一个（103，10，1）的三维数组，三个维度分布表示（样本数量，步长，特征数），每一个样本比如X_train[0]是一个（10，1）二维数组表示（步长，特征数），这也是seq2seq模型每一步的输入。

y_train是一个（103，3，1）的三维数组，三个维度分布表示（样本数量，步长，标签数），每一个样本比如y_train[0]是一个（3，1）二维数组表示（步长，标签数），这也是seq2seq模型每一步的输出。

2.5 建立模拟合模型

encoder_inputs = Input(shape=(n_past, n_features))
encoder_l1 = LSTM(100, return_state=True)
encoder_outputs1 = encoder_l1(encoder_inputs)
encoder_states1 = encoder_outputs1[1:]
decoder_inputs = RepeatVector(n_future)(encoder_outputs1[0])
decoder_l1 = LSTM(100, return_sequences=True)(decoder_inputs,initial_state = encoder_states1)
decoder_outputs1 = TimeDistributed(Dense(n_features))(decoder_l1)
model_e1d1 = Model(encoder_inputs,decoder_outputs1)
model_e1d1.summary()

这是一个多输入多输出的 seq2seq 模型：具有一个编码器层和一个解码器层的序列到序列模型。

进行训练：

reduce_lr = tf.keras.callbacks.LearningRateScheduler(lambda x: 1e-3 * 0.90 ** x)
model_e1d1.compile(optimizer=tf.keras.optimizers.Adam(), loss=tf.keras.losses.Huber())
history_e1d1=model_e1d1.fit(X_train,y_train,epochs=25,validation_data=(X_test,y_test),batch_size=32,verbose=0,callbacks=[reduce_lr])

2.6 进行预测

进行预测，上面我们分析过模型每一步的输入是一个（10，1）二维数组表示（步长，特征数），模型每一步的输出是是一个（3，1）二维数组表示（步长，标签数）

prediction_test = model.predict(testX)

如果直接model.predict(testX)，testX的形状是（17，10，1），是一个批量预测，输出prediction_test是一个（17，3，1）的三维数组，prediction_test[0]就是第一个样本未来3天标签的预测结果，prediction_test[1]就是第二个样本未来3天标签的预测结果...

看一下第一个测试集样本的预测情况：

pred_e1d1_0 = pred_e1d1[0]
pred_e1d1_0_T = scaler.inverse_transform(pred_e1d1_0)

y_test_0 = y_test[0]
y_test_0_T = scaler.inverse_transform(y_test_0)

预测值（未来3天变量的预测）：

真实值（未来3天变量的真值）：

作者简介：

读研期间发表6篇SCI数据挖掘相关论文，现在某研究院从事数据算法相关科研工作，结合自身科研实践经历不定期分享关于Python、机器学习、深度学习、人工智能系列基础知识与应用案例。致力于只做原创，以最简单的方式理解和学习，关注我一起交流成长。需要数据集和源码的小伙伴可以关注底部公众号添加作者微信。