详细内容或原文请订阅后点击阅览
torch 时间序列，第三集：序列到序列预测
在我们对时间序列预测技术的概述中，我们转向序列到序列模型。该系列中的架构通常用于自然语言处理 (NLP) 任务，例如机器翻译。然而，对于 NLP，在进行模型定义和训练之前需要进行大量的预处理。在熟悉的数值序列中，我们可以完全专注于概念。
来源:RStudio AI博客今天，我们继续使用 torch 探索多步时间序列预测。这篇文章是系列文章的第三篇。
torch
- 最初，我们介绍了循环神经网络 (RNN) 的基础知识，并训练了一个模型来预测序列中的下一个值。我们还发现，通过在循环中反馈单个预测，我们可以提前预测相当多的步骤。接下来，我们“原生”构建了一个用于多步预测的模型。使用一个小型多层感知器 (MLP) 将 RNN 输出投射到未来的几个时间点。
最初，我们介绍了循环神经网络 (RNN) 的基础知识，并训练了一个模型来预测序列中的下一个值。我们还发现，通过在循环中反馈单个预测，我们可以提前预测很多步。
最初接下来，我们“原生”构建了一个用于多步预测的模型。使用一个小型多层感知器 (MLP) 将 RNN 输出投射到未来的几个时间点。
接下来在这两种方法中，后者更为成功。但从概念上讲，它有一个不令人满意的地方：当 MLP 推断并生成连续十个时间点的输出时，它们之间没有因果关系。（想象一下十天的天气预报从未更新过。）
现在，我们想尝试一些更直观吸引人的东西。输入是一个序列；输出也是一个序列。在自然语言处理 (NLP) 中，这种类型的任务非常常见：这正是我们在机器翻译或摘要中看到的那种情况。
seq2seq数据输入
我们继续使用 tsibbledata 提供的 vic_elec。
y