9、使用 PyTorch Lightning 进行时间序列预测

使用 PyTorch Lightning 进行时间序列预测

在时间序列预测领域，PyTorch Lightning 提供了强大且高效的工具。本文将介绍如何使用 PyTorch Lightning 进行多变量时间序列的预测，包括线性回归模型和前馈神经网络模型的构建与训练。

1. TimeSeriesDataSet 构造函数参数

TimeSeriesDataSet 构造函数需要一些参数，具体如下：
| 参数 | 描述 |
| ---- | ---- |
| data | 包含前文所述三个元素的时间序列数据集 |
| group_ids | 数据集中标识每个时间序列的列 |
| target | 我们想要预测的列（目标变量） |
| time_idx | 包含每个观测时间信息的列 |
| max_encoder_length | 用于构建自回归模型的滞后数 |
| max_prediction_length | 预测范围，即应预测的未来时间步数 |
| time_varying_unknown_reals | 数据集中描述哪些数值变量随时间变化的列列表 |

除了上述参数，还有与 time_varying_unknown_reals 相关的其他参数。这个特定输入详细说明了所有用户未知未来的数值观测，例如我们想要预测的变量。然而，在某些情况下，我们知道观测的未来值，例如产品的价格，这种类型的变量应包含在 time_varying_known_reals 输入中。此外，还有 time_varying_known_categoric