TensorFlow搭建LSTM实现时间序列预测（负荷预测）

目录

I. 前言

前面已经写过不少时间序列预测的文章：

1. 深入理解PyTorch中LSTM的输入和输出（从input输入到Linear输出）
2. PyTorch搭建LSTM实现时间序列预测（负荷预测）
3. PyTorch搭建LSTM实现多变量时间序列预测（负荷预测）
4. PyTorch搭建双向LSTM实现时间序列预测（负荷预测）
5. PyTorch搭建LSTM实现多变量多步长时间序列预测（一）：直接多输出
6. 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
7. 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
8. 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
9. PyTorch搭建LSTM实现多变量多步长时间序列预测（五）：seq2seq
10. 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）
11. PyTorch-LSTM时间序列预测中如何预测真正的未来值
12. 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）
13. PyTorch搭建ANN实现时间序列预测（风速预测）
14. PyTorch搭建CNN实现时间序列预测（风速预测）
15. 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）
16. PyTorch搭建Transformer实现多变量多步长时间序列预测（负荷预测）
17. PyTorch时间序列预测系列文章总结（代码使用方法）
18. TensorFlow搭建LSTM实现时间序列预测（负荷预测）
19. TensorFlow搭建LSTM实现多变量时间序列预测（负荷预测）
20. TensorFlow搭建双向LSTM实现时间序列预测（负荷预测）
21. TensorFlow搭建LSTM实现多变量多步长时间序列预测（一）：直接多输出

上述文章中的代码都是基于PyTorch写的，考虑到目前TensorFlow的使用人群也较多，因此接下来一段时间会逐步将上面文章中的代码改用TensorFlow实现。

这篇文章是PyTorch搭建LSTM实现时间序列预测（负荷预测）的TensorFlow实现。

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。

本篇文章暂时不考虑其它变量，只考虑用历史负荷来预测未来负荷。本文中，我们根据前24个时刻的负荷下一时刻的负荷。

代码风格和之前PyTorch类似：

defnn_seq_us(seq_len, B):print('data processing...')
    dataset = load_data()# split
    train = dataset[:int(len(dataset)*0.6)]
    val = dataset[int(len(dataset)*0.6):int(len(dataset)*0.8)]
    test = dataset[int(len(dataset)*0.8):len(dataset)]
    m, n = np.max(train[train.columns[1]]), np.min(train[train.columns[1]])defprocess(data, batch_size, shuffle):
        load = data[data.columns[1]]
        data = data.values.tolist()
        load =(load - n)/(m - n)
        load = load.tolist()
        X, Y =[],[]for i inrange(len(data)- seq_len):
            train_seq =[]
            train_label =[]for j inrange(i, i + seq_len):
                x =[load[j]]# for c in range(2, 8):#     x.append(data[i + 24][c])
                train_seq.append(x)
            train_label.append(load[i + seq_len])
            X.append(train_seq)
            Y.append(train_label)

        X = tf.data.Dataset.from_tensor_slices(X)
        Y = tf.data.Dataset.from_tensor_slices(Y)
        seq = tf.data.Dataset.zip((X, Y))if shuffle:
            seq = seq.batch(batch_size, drop_remainder=False).shuffle(batch_size).prefetch(batch_size)else:
            seq = seq.batch(batch_size, drop_remainder=False).prefetch(batch_size)return seq

    Dtr = process(train, B, shuffle=True)
    Val = process(val, B, shuffle=True)
    Dte = process(test, B, shuffle=False)

前面PyTorch中数据的分批处理：

seq = MyDataset(seq)
seq = DataLoader(dataset=seq, batch_size=batch_size, shuffle=shuffle, num_workers=0, drop_last=False)

TensorFlow中数据的分批处理：

X = tf.data.Dataset.from_tensor_slices(X)
Y = tf.data.Dataset.from_tensor_slices(Y)
seq = tf.data.Dataset.zip((X, Y))
seq = seq.batch(batch_size, drop_remainder=False).prefetch(batch_size)

III. 模型

利用TensorFlow搭建的LSTM模型如下所示：

classLSTM(keras.Model):def__init__(self, args):super(LSTM, self).__init__()
        self.lstm = Sequential()for i inrange(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)defcall(self, data, training=None, mask=None):
        x = self.lstm(data)
        x = self.fc1(x)
        x = self.fc2(x)return x[:,-1:,:]

参数同PyTorch中的类似：

units

表示

hidden_size

，

input_shape=(seq_len, input_size)

，

return_sequences=True

表示返回所有时间步的输出，我们只需要取最后一个时间步的输出，由于keras中的LSTM没有类似于PyTorch中LSTM的

num_layers

参数，所以我们需要手动添加。

作为对比，我们给出前面利用PyTorch定义的LSTM模型：

classLSTM(nn.Module):def__init__(self, input_size, hidden_size, num_layers, output_size, batch_size):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# 单向LSTM
        self.batch_size = batch_size
        self.lstm = nn.LSTM(self.input_size, self.hidden_size, self.num_layers, batch_first=True)
        self.linear = nn.Linear(self.hidden_size, self.output_size)defforward(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, self.batch_size, self.hidden_size).to(device)
        c_0 = torch.randn(self.num_directions * self.num_layers, self.batch_size, self.hidden_size).to(device)# output(batch_size, seq_len, num_directions * hidden_size)
        output, _ = self.lstm(input_seq,(h_0, c_0))# output(5, 30, 64)
        pred = self.linear(output)# (5, 30, 1)
        pred = pred[:,-1,:]# (5, 1)return pred

可以发现，二者基本一致。

IV. 训练/测试

deftrain(args, Dtr, Val, Dte, M, path):
    model = LSTM(args)if args.optimizer =='adam':
        optimizer = tf.keras.optimizers.Adam(learning_rate=args.lr)else:
        optimizer = tf.keras.optimizers.SGD(learning_rate=args.lr,
                                            momentum=0.9)
    loss_function = tf.keras.losses.MeanSquaredError()
    min_val_loss =5
    best_model =None
    best_test_mape =0
    best_test_res =None
    min_epochs =5for epoch in tqdm(range(args.epochs)):
        train_loss =[]for batch_idx,(seq, label)inenumerate(Dtr):with tf.GradientTape()as tape:
                pred = model(seq)
                loss = loss_function(pred, label)
                train_loss.append(loss)# 计算梯度
            grads = tape.gradient(loss, model.trainable_variables)# 根据梯度更新权重
            optimizer.apply_gradients(zip(grads, model.trainable_variables))

        val_loss, test_mape, res = test(model, Val, Dte, M)if epoch +1> min_epochs and val_loss < min_val_loss:
            min_val_loss = val_loss
            best_test_mape = test_mape
            best_model = copy.deepcopy(model)
            best_test_res = copy.deepcopy(res)print('epoch {:03d} train_loss {:.8f} val_loss {:.8f} test_mape {:.5f}'.format(epoch, np.mean(train_loss), val_loss, test_mape))
    best_model.save_weights(path)return best_test_mape, best_test_res

训练同样返回验证集上表现最优的模型。

需要注意的是，TensorFlow中模型更新的过程为：

for batch_idx,(seq, label)inenumerate(Dtr):with tf.GradientTape()as tape:
        pred = model(seq)
        loss = loss_function(pred, label)
        train_loss.append(loss)# 计算梯度
    grads = tape.gradient(loss, model.trainable_variables)# 根据梯度更新权重
    optimizer.apply_gradients(zip(grads, model.trainable_variables))

与之对比，PyTorch中为：

for(seq, label)in Dtr:
    seq = seq.to(device)
    label = label.to(device)
    y_pred = model(seq)
    loss = loss_function(y_pred, label)
    train_loss.append(loss.item())
    optimizer.zero_grad()
    loss.backward()
    optimizer.step()

模型保存：

best_model.save_weights('models/model')

模型加载与预测：

defpredict(args, Dte, M, path):
    model = LSTM(args)
    model.load_weights(path)
    y, pred =[],[]for batch_idx,(seq, label)in tqdm(enumerate(Dte)):# print(seq.shape)# print(label.shape)
        p = model(seq)
        label = label.numpy().flatten().tolist()
        p = p.numpy().flatten().tolist()# print(len(p), len(label))
        y.extend(label)
        pred.extend(p)# 计算mape
    m, n = M[0], M[1]
    y, pred = np.array(y), np.array(pred)
    y =(m - n)* y + n
    pred =(m - n)* pred + n
    plot(y, pred)return get_mape(y, pred)

训练30个epoch，测试集上的MAPE为：

best_test_mape:0.052237886800780085

画图：

V. 源码及数据

后面统一整理。