I. 前言

这篇文章介绍多步长预测的第四种实现方式：多模型滚动预测。

II. 多模型滚动预测

所谓多模型滚动预测：还是前10个预测后3个为例：首先需要按照多模型单步预测的方式训练3个模型，然后模型1利用[1…10]预测[11’]，然后模型2利用[2…10 11’]预测[12’]，最后由模型3利用[3…10 11’ 12’]预测[13’]。

III. 代码实现

3.1 数据处理

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接下来12个时刻的负荷（步长pred_step_size可调）。

数据处理代码和前面的多模型单步预测一致。简单来说，如果需要利用前24个值预测接下来12个值，那么我们需要生成12个数据集。

3.2 模型搭建

模型和之前的文章一致：

class LSTM(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)

    def forward(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, _ = self.lstm(input_seq, (h_0, c_0))
        pred = self.linear(output)
        pred = pred[:, -1, :]
        return pred

3.3 模型训练/测试

模型训练与多模型单步预测一致。

模型测试与单步滚动预测有些类似，但每一步都由不同的模型来进行预测。

3.4 实验结果

前24个预测未来12个，每个模型训练50轮，效果很差，MAPE为13.26%，还需要进一步完善。在这里插入图片描述

IV. 源码及数据

后面将陆续公开~

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