lstm和informer和gru模型对比

1 介绍

本文使用数据集，对三个模型进行了对比，代码使用python完成，通过对比，发现lstm>gru>informer.

2 数据读取

使用降水量数据集，第一列表示降水，第二列表示出水量。

• 输入是两个特征
• 输出是一个特征
• 输入是多时间步，例如，用1-12做输入。
• 输出也是多时间步，例如，预测13-18时间段。
  lstm和gru的数据读取代码是一样的，如下所示：

class MyDatasetLstm(Dataset):
    def __init__(self, df, seq_len=96, pred_len=24):
        self.seq_len = seq_len
        self.pred_len = pred_len
        self.__read_data__(df=df)

    def __read_data__(self, df):
        self.data_x = df
        self.data_y = df[:,-1]

    def __getitem__(self, index):
        s_begin = index
        s_end = s_begin + self.seq_len
        r_begin = s_end
        r_end = r_begin + self.pred_len

        seq_x = self.data_x[s_begin:s_end]
        seq_y = self.data_y[r_begin:r_end]

        return seq_x, seq_y

    def __len__(self):
        return len(self.data_x) - self.seq_len - self.pred_len + 1

但是informer的数据读取不一样，因为加入了label维度，所以代码如下所示：

class MyDatasetInformer(Dataset):
    def __init__(self, df, seq_len=96, label_len=48, pred_len=24):
        self.seq_len = seq_len
        self.label_len = label_len
        self.pred_len = pred_len
        self.__read_data__(df=df)

    def __read_data__(self, df):
        self.data_x = df
        self.data_y = df

    def __getitem__(self, index):
        s_begin = index
        s_end = s_begin + self.seq_len
        r_begin = s_end - self.label_len
        r_end = r_begin + self.label_len + self.pred_len
        seq_x = self.data_x[s_begin:s_end]
        seq_y = self.data_y[r_begin:r_end]

        return seq_x, seq_y

    def __len__(self):
        return len(self.data_x) - self.seq_len - self.pred_len + 1

3 搭建模型

这一块主要参考了github上的代码，做了些修改，因为原来的informer有timebedding这个维度，但是我们的数据没有这个维度，所以把这个去掉就行，剩下的就是encoder和decoder，然后再拼接。
lstm和gru就用很简单的搭建方式就行，torch自带的，很容易。

4 训练和预测

训练和预测时，informer就是因为多了个label，所以读取方式有点不一样，代码如下所示，并且再测试时，要取label之后的，才是真正的预测值。

  if model_name == "informer":
        # Informer训练方式
        batch_x = batch_x.float().to(device)
        batch_y = batch_y.float()
        dec_inp = torch.zeros([batch_y.shape[0], pred_len, batch_y.shape[-1]]).float()
        dec_inp = torch.cat([batch_y[:, :label_len, :], dec_inp], dim=1).float().to(device)

        pred = model(batch_x, dec_inp)
        pred = pred[:, -pred_len:, :].to(device)
        true = batch_y[:, -pred_len:, :].to(device)
        loss = criterion(pred, true)
    else:
        # lstm \ gru 训练方式
        batch_x = batch_x.float().to(device)
        batch_y = batch_y.float().to(device)
        pred = model(batch_x)
        loss = criterion(pred, batch_y)
        # 如有需要，添加qq 964083210

5 结果对比

还有mse、rmse、r2等指标，还有多种预测方式。

原文地址：https://blog.csdn.net/ww596520206/article/details/142865368

免责声明：本站文章内容转载自网络资源，如本站内容侵犯了原著者的合法权益，可联系本站删除。更多内容请关注自学内容网（zxcms.com）！