Pytorch实现CNN时间序列预测

本公众号曾经推出过PyTorch实现的LSTM时间序列预测，并开源了其源码。细心的童鞋可能发现了，我之前使用的LSTM是生成式模型，而不是使用判别式进行预测。换言之，就是将序列本身作为输入，下一时刻作为输出，模型表达的是序列的联合概率分布。有兴趣的可以将其改写为判别模型。

本文将使用卷积神经网络（CNN）用于时间序列预测。区别于图像处理（二维卷积如图所示）

CNN用于序列预测时使用的是一维卷积，也就是我们熟悉的离散序列的卷积和，具体公式可以表示为：

已知序列

a=｛a0，a1,a2,…,am｝，L(a)=m+1

b=｛b0,b1,b2,…,bk｝，L(b)=k+1

用a*b表示a与b卷积后得到的一个新序列。

卷积公式

记a*b中第n个元素为（a*b）n，则

（a*b）n=a0bn + a1bn-1 +…+an-1b1 +anb0=∑akbn-k

L(a*b)=L(a)+L(b)-1

对序列做卷积，就是找到一个窗口大小为kernel_size的序列，与原序列做卷积（上述卷积公式）得到新的序列表达，一般卷积网络中还包括池化操作，就是对卷积提取的特征进行筛选得到最有用的特征，采用max-pooling方法比较多。本文使用两层卷积加两次max-pooling的卷积网络，具体模型如下：

C1表示卷积操作1

S2表示max-pooling

C3表示卷积操作2

S4表示max-pooling

最后再接一层全连接层输出

使用Pytorch构造网络模型如下：

数据沿用LSTM那篇文章：

模型定义：

模型训练测试：

模型结果：

结果图如下：