Pytorch实现CNN时间序列预测

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={a,a1,a2,…,am},L(a)=m+1

b={b,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=abn+ a1bn-1+…+an-1b1+anb=∑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:

模型定义:

模型训练测试:

模型结果:

结果图如下:

  • 发表于:
  • 原文链接http://kuaibao.qq.com/s/20180302G19LMY00?refer=cp_1026
  • 腾讯「云+社区」是腾讯内容开放平台帐号(企鹅号)传播渠道之一,根据《腾讯内容开放平台服务协议》转载发布内容。

扫码关注云+社区

领取腾讯云代金券