分位点

【pytorch】时间序列预测——同时预测多个分位点

部分参考

《Multi-HorizonTimeSeriesForecastingwithTemporalAttentionLearning》

《AMulti-HorizonQuantileRecurrentForecaster》

这两篇⽂章考虑的是多步预测的情形，多步预测在有外部协变量且未来输⼊已知的情况下效果好⼀点，如果只有未知变量的历史值，还是考

虑做单步预测吧！否则只能通过迭代地执⾏单步预测（导致误差累计）或者直接预测步之后的值（误差⼤），效果不好，意义不⼤！

单变量单步预测的分位点损失

单变量多步预测的分位点损失

多变量多步预测的分位点损失

结果可视化

h

模型

该模型可实现多变量单步的多分位点预测

importtorch

onalasF

classModel():

def__init__(lf,n_val,window,hidRNN,quantiles=[0.5]):

super(Model,lf).__init__()

_cuda=True

lf.P=window#输⼊窗⼝⼤⼩

lf.m=n_val#列数，变量数

=hidRNN

les=(quantiles)

=(lf.m,)

=(,lf.m*len(quantiles))

defforward(lf,x):

x1=e(1,0,2).contiguous()#x1:[window,batch,n_val]

_,h=(x1)#h:[1,batch,hidRNN]

h=e(h,0)#h:[batch,hidRNN]

res=(h)#res:[batch,n_val*n_quantile]

res=(-1,len(les),lf.m)

returnres

defMQLoss(lf,pred,true):

quantiles=eze(1).expand(len(les),lf.m)

true=(-1,1,lf.m).expand()

tau=(pred,true).type(ensor)-quantiles

loss=(pred-true).sum()

returnloss