PyTorch 中的 AI 和 ML 编码

第 10 章 创建 ML 模型预测序列

本作品已使用人工智能进行翻译。欢迎您提供反馈和意见：[e-mail]

第 9 章介绍了序列数据和时间序列的属性，包括季节性、趋势、自相关性和噪声。你创建了一个用于预测的合成序列，并探索了如何进行基本的统计预测。

在接下来的几章中，你将学习如何使用 ML 进行预测。但在开始创建模型之前，您需要了解如何通过创建我们称之为Windows 的数据集来构建用于训练预测模型的时间序列 数据。

要理解为什么需要这样做，请参考第 9 章中创建的时间序列。您可以在图 10-1 中看到它的曲线图。

例如，您想预测时间序列在时间步长 1,200 时的值，并将其作为时间步长t 之前 30 个值的函数。在这种情况下，时间步骤 1170 至 1199 的值将决定时间步骤 1200 的值（见图 10-2）。

图 10-1. 合成时间序列

图 10-2. 影响预测的前值

现在，这看起来很熟悉了：您可以将 1,170 至 1,199 的值视为特征，将 1,200 的值视为标签。如果能将数据集设置为有一定数量的值作为特征，下面的值作为标签，并对数据集中的每个已知值都这样做，那么最终就会得到一组相当不错的特征和标签，可以用来训练模型。

在对第 9 章中的时间序列数据集进行训练之前，让我们先创建一个非常简单的数据集，它具有相同的属性，但数据量要小得多。

创建 Windows 数据集

PyTorch 有很多对操作数据很有用的 API。例如，您可以使用torch.arange(10) 创建一个包含 0-9 数字的基本数据集，从而模拟时间序列。然后，您可以将该数据集转化为窗口数据集的雏形。代码如下：

import torch
 
def create_sliding_windows(data, window_size, shift=1):
    # Convert input to tensor if it isn't already
    if not isinstance(data, torch.Tensor):
        data = torch.tensor(data)
 
    # Calculate number of valid windows
    n = len(data)
    num_windows = max(0, (n – window_size) // shift + 1)
 
    # Create strided view of data
    windows = data.unfold(0, window_size, shift)
 
    return windows
 
# Example usage:
data = torch.arange(10)
windows = create_sliding_windows(data, window_size=5, shift=1)
 
# Print each window
for window in windows:
    print(window.numpy())
 

首先，使用范围创建数据集，简单来说就是让数据集包含 ...