时间序列预测（六）——循环神经网络（RNN）

一、RNN的基本原理

1、正向传播（Forward Pass）：

2、计算损失（Loss Calculation）

3、反向传播——反向传播通过时间（Backpropagation Through Time，BPTT）

4、梯度更新：

二、RNN的常用结构

1、N——N结构

2、N——1结构

3、1——N结构

4、N——M结构（Encoder-Decoder，也称Seq2Seq）

三、RNN的优缺点

四、在Python中的代码解释

1、模型定义

（1）类定义：RNNModel

（2）实例化模型

2、参数形状转化（注意）

五、梯度消失与梯度爆炸

六、RNN的改进模型

七、具体代码实现

1、选择道路曲率、车速和历史方向盘转角（这里取了五个时刻的历史方向盘转角）这三个（7个）作为特征，采用RNN训练

2、使用更长的序列来捕捉历史信息，而不需要手动构造历史特征

1、绘制平均值

2、绘制第一个未来时间步的对比

往期文章：

时间序列预测（一）——线性回归（linear regression）-CSDN博客

时间序列预测（二）——前馈神经网络（Feedforward Neural Network, FNN）-CSDN博客

前面有提到前馈神经网络，下图是两者的区别对比

特性	前馈神经网络（FNN）	循环神经网络（RNN）
结构	无循环连接，数据单向流动	有循环连接，数据可流过多个时间步
适用任务	静态任务，无时间依赖	动态任务，包含时间依赖
记忆能力	无法记忆前一时刻信息	通过隐藏状态记忆前一时刻信息
梯度计算	反向传播（BP）	反向传播通过时间（BPTT）
常见问题	无梯度消失或爆炸问题	易出现梯度消失或爆炸问题
适用场景	图像分类、静态预测	时间序列预测、文本生成、语音识别

循环神经网络（Recurrent Neural Network，RNN）是一种专门用于处理序列数据的神经网络结构，它能够处理时间序列数据，并预测未来的数据变化趋势。RNN能够处理序列中的时间依赖性，因而非常适合时间序列预测。以下是对RNN在时间序列预测中的详细分析：

一、RNN的基本原理

RNN的基本原理是在神经网络中引入时间的概念，使得网络可以处理序列数据。RNN的基本结构是一个循环单元，它包含一个输入层、一个隐藏层和一个输出层。在每一个时间步上，网络接收一个输入向量和一个隐藏状态向量，通过一个非线性函数对它们进行组合，然后产生一个输出向量和一个新的隐藏状态向量，作为下一个时间步的输入和隐藏状态。这种反馈机制可以使得网络记忆之前的信息，并在处理序列数据时考虑到历史信息。

1、正向传播（Forward Pass）：

输入层：
- RNN的输入是一个序列，表示为 X=[x1,x2,…,xT]，其中 T 是序列长度，xt 表示在时间 t 的输入值。
隐藏层：
- RNN 的特殊之处在于隐藏层具有循环连接，使得每个时刻的隐藏层状态都能从前一时刻的状态（隐状态）中获得信息。具体来说，RNN 会在每个时间步更新隐藏状态 ht：
输出层：

RNN 的输出 yt依赖于当前隐藏状态 ht：

2、计算损失（Loss Calculation）

选择合适的损失函数，计算每个时间步 ttt 的损失值 Lt，将所有时间步上的损失求和，得到整个序列的总损失 L：

3、反向传播——反向传播通过时间（Backpropagation Through Time，BPTT）

在计算总损失后，通过BPTT算法沿时间维度反向传播误差，计算每个时间步上的梯度。

因为隐藏状态在每个时间步都传递到下一个时间步，所以需要在时间上展开 RNN，形成一个“展开的计算图”，并在这个图上逐步反向传播。对于每个时间步的参数（如 Wh和 Wx），需要计算梯度：

（注意：由于隐藏状态 hth_tht 依赖于所有之前的状态，所以当前时间步的梯度受多个时间步的误差影响。）

4、梯度更新：

计算出参数的梯度后，通常使用优化器（如 SGD、Adam 等）来更新模型参数。随着每个时间步梯度的反向传播，BPTT算法会依次更新所有权重，以最小化损失。

为了减小计算量，提出了截断 BPTT，它是一种优化的 BPTT 方法，通过限制反向传播的时间步数来减少计算量。它按固定长度（如 10 或 20 步）的窗口，将长序列分成若干个较短的子序列，每个子序列独立进行正向和反向传播。在每个子序列结束时，重置梯度，但隐藏状态在各子序列间保持连续，以保留长程依赖信息。

最后，需要注意在PyTorch中，RNN的输入数据通常是一个形状为(batch_size, sequence_length, input_size)的张量，输出数据通常是一个二维张量，其形状为(batch_size, output_size)或是三维张量(batch_size, sequence_length, output_size)（对于序列输出）。

其中，

batch_size：表示批次中样本的数量。
sequence_length：表示序列的长度。
input_size和output_size：表示每个时间步骤的输入和输出的特征数量

所以要将数据进行转化。这里是与FNN是不一样的，多了一个序列长度，所以RNN 可以一次性输入和输出多个时间步的特征和目标，RNN 才是真正可以处理序列数据的，而 FNN 处理的是单个独立样本。

因此，当 sequence_length=1 时，RNN 变得和 FNN 类似，但仍保持了 RNN 的结构。在这种情况下，使用 RNN 可能会显得有些多余，因为 FNN 可以实现相同的功能，而不需要引入 RNN 的复杂性。

二、RNN的常用结构

1、N——N结构

输入与输出：输入是x1，x2，.....xn，输出为y1，y2，...yn。输入和输出序列是等长的。

应用场景：由于这种结构的输入输出长度一致，因此它适用于生成等长度的序列，如合辙的诗句等。此外，它还可用于计算视频中每一帧的分类标签，因为要对每一帧进行计算，所以输入和输出序列等长。

2、N——1结构

输入与输出：输入是一个序列，而输出是一个单独的值，不是序列。

处理方式：这种结构通常在最后一个隐层输出h上进行线性变换，以得到所需的输出值。为了更明确地表示结果，还可以使用sigmoid或softmax函数进行处理。

应用场景：这种结构经常被应用在文本分类问题上，如输入一段文字判别它所属的类别，或输入一个句子判断其情感倾向等。

3、1——N结构

输入与输出：输入不是序列，而输出为序列。

应用场景：这种结构可以处理从非序列数据生成序列数据的问题，如从图像生成文字（image caption）。此时，输入X是图像的特征，而输出的y序列就是一段句子，就像看图说话一样。或是

4、N——M结构（Encoder-Decoder，也称Seq2Seq）

输入与输出：输入和输出为不等长的序列。

结构组成：这种结构由编码器和解码器两部分组成，两者的内部结构都是某类RNN。输入数据首先通过编码器，最终输出一个隐含变量c（上下文语义向量）。之后，使用这个隐含变量c作用在解码器解码的每一步上，以保证输入信息被有效利用。

应用场景：这是RNN的一个重要变种，也是应用最广的RNN模型结构。由于其输入输出不受限制，它被广泛应用于机器翻译、阅读理解、文本摘要等众多领域。在机器翻译中，源语言和目标语言的句子往往没有相同的长度，因此N——M结构特别适用于此类任务。或是

局限性：编码和解码之间的唯一联系是固定长度的语义向量c。编码时，整个序列的信息需要被压缩进一个固定长度的语义向量c中，这可能导致信息丢失或覆盖。因此，对于较长的输入序列，解码效果可能会受到影响。

改进：为了弥补N——M结构的局限性，提出了注意力（Attention）机制。注意力机制通过在每个时间输入不同的c来解决问题，它允许解码器在解码时能够关注输入序列的不同部分，从而提高了解码的准确性和灵活性。

三、RNN的优缺点

优点：RNN具有记忆功能，能够处理变长的序列数据，并捕捉到序列中的时序信息。同时，RNN的权重参数是共享的，这有助于减少模型的参数数量并提高计算效率。RNN可以根据输入和输出的不同结构进行灵活调整。

缺点：在长序列任务中，RNN容易出现梯度消失或梯度爆炸的问题，导致模型难以训练。RNN的计算效率相对较低，因为需要在每个时间步都进行前向传播和反向传播的计算。

四、在Python中的代码解释

1、模型定义

class RNNModel(nn.Module):def __init__(self, input_size, hidden_size, num_layers):super(RNNModel, self).__init__()self.hidden_size = hidden_sizeself.num_layers = num_layersself.rnn = nn.RNN(input_size, hidden_size, num_layers, batch_first=True)  # 使用RNNself.fc = nn.Linear(hidden_size, 1)  # 输出层def forward(self, x):# 初始化隐藏状态h0 = torch.zeros(self.num_layers, x.size(0), self.hidden_size).to(x.device)# 前向传播out, _ = self.rnn(x, h0)  # RNN输出形状为 (batch_size, seq_length, hidden_size)out = self.fc(out[:, -1, :])  # 只取最后一个时间步的输出return out# 实例化模型
input_size = window_size + 2  # 输入特征维度
hidden_size = 64  # 隐藏层大小
num_layers = 2  # RNN层数
model = RNNModel(input_size, hidden_size, num_layers)

（1）类定义：`RNNModel`

RNNModel类继承自nn.Module，这是PyTorch中所有神经网络模块的基类。

a、初始化__init__

调用父类的__init__方法外，还定义了模型的一些关键属性：

input_size：输入特征的大小（维度）。
hidden_size：RNN隐藏层的大小（即隐藏层中神经元的数量）。
num_layers：RNN的层数（即堆叠的RNN单元的数量）。
self.rnn：这是模型中的RNN层，batch_first=True意味着输入张量的第一个维度是批次大小（batch size）。
self.fc：这是一个全连接层（也称为线性层），将RNN的最后一个时间步的输出映射到模型的最终输出。这里，输出层的大小被设置为1，这意味着模型将输出一个标量值。

b、前向传播forward

首先初始化隐藏状态h0。隐藏状态是一个零张量，其形状为(num_layers, batch_size, hidden_size)，并且被发送到与输入x相同的设备上（CPU或GPU）。

接着，使用RNN层处理输入x和初始隐藏状态h0。RNN层的输出out是一个形状为(batch_size, seq_length, hidden_size)的张量，其中seq_length是序列的长度。

然后，只取RNN输出的最后一个时间步（out[:, -1, :]），并通过全连接层self.fc进行处理，得到模型的最终输出。

（2）实例化模型

指定输入特征维度input_size，隐藏层大小hidden_size，和RNN层数num_layers来实例化RNNModel类。用于训练、验证和测试，以处理序列数据并预测目标值。

2、参数形状转化（注意）

x_train、 x_test 、y_train 和 y_test本身是从excel表格读取的一维数组，但在PyTorch中，RNN的输入数据形状为(batch_size, sequence_length, input_size)的张量，输出数据形状为(batch_size, output_size)或(batch_size, sequence_length, output_size)（对于序列输出）。因此x_train 和 x_test 被转换为形状为 [batch_size, 1, window_size + 2] 的三维张量，而 y_train 和 y_test 被转换为形状为 [batch_size, 1] 的二维张量。

（1）数据类型转换：

使用 torch.tensor() 将数据转换为 PyTorch 张量，并指定数据类型为 torch.float32。这是为了确保数据格式与 PyTorch 模型兼容。

（2）形状重塑：

.view(-1, 1, window_size + 2) 和 .view(-1, 1) 是用于重塑张量的方法。

-1 在 .view() 方法中是一个特殊值，表示该维度的大小将自动计算，以确保总元素数量保持不变。

对于 x_train 和 x_test，重塑后的形状为 [batch_size, seq_len, input_size]。其中：

batch_size 是自动计算的，基于原始数据的总元素数量和后面两个维度的大小。

seq_len 是 1，表示每个样本被视为一个序列，表示每个样本只包含一个时间步的数据

input_size 是 window_size + 2，表示每个时间步的输入特征数量。

对于 y_train 和 y_test，重塑后的形状为 [batch_size, 1]，其中 batch_size 是自动计算的，1表示每个样本目标值被视为一个序列，只包含一个时间步的数据。具体如下：

五、梯度消失与梯度爆炸

时间序列预测（七）——梯度消失（Vanishing Gradient）与梯度爆炸-CSDN博客

六、RNN的改进模型

为了克服RNN的缺点并提高其性能，研究人员提出了多种改进模型，其中最具代表性的是长短期记忆（LSTM）和门控循环单元（GRU）。

具体看下面这两篇文章：

后面补齐

七、具体代码实现

同之前的文章一样，根据一个包含道路曲率（Curvature）、车速（Velocity）、侧向加速度（Ay）和方向盘转角（Steering_Angle）真实的数据集，去预测未来的方向盘转角。

1、选择道路曲率、车速和历史方向盘转角（这里取了五个时刻的历史方向盘转角）这三个（7个）作为特征，采用RNN训练

（但这样其实就如上文所说的，会显得有些多余，正常应该直接输入多个时间步的特征，按下一种方法，这一个可以直接跳过）。

# RNN网络
import pandas as pd
import torch
import torch.nn as nn
import torch.optim as optim
from sklearn.model_selection import train_test_split
from sklearn.metrics import mean_absolute_error as mae, r2_score
import matplotlib.pyplot as plt
from sklearn.preprocessing import StandardScaler
import numpy as np# 1. 数据预处理
# 读取数据
data = pd.read_excel('input_data_20241010160240.xlsx')  # 替换为你的数据文件路径  # 提取特征和标签
labels = data['Steering_Angle'].values
features = data[['Curvature',  'Velocity']].values  # 使用 NumPy 数组# 添加历史方向盘转角作为特征 (假设历史窗口长度为5)
window_size = 5
history_features = []
for i in range(window_size, len(data)):past_angles = labels[i - window_size:i]history_features.append(list(past_angles))
features = features[window_size:]
labels = labels[window_size:]# 合并特征
features = np.hstack((features, history_features))# 归一化
scaler_x = StandardScaler()
scaler_y = StandardScaler()
features = scaler_x.fit_transform(features)
labels = scaler_y.fit_transform(labels.reshape(-1, 1))# 划分训练集和测试集
x_train, x_test, y_train, y_test = train_test_split(features, labels, test_size=0.2)# 将特征转换为三维张量，形状为 [样本数, 时间序列长度, 特征数]
x_train_tensor = torch.tensor(x_train, dtype=torch.float32).view(-1, 1, window_size + 2)  # [batch_size, seq_len, input_size]
y_train_tensor = torch.tensor(y_train, dtype=torch.float32).view(-1, 1)
x_test_tensor = torch.tensor(x_test, dtype=torch.float32).view(-1, 1, window_size + 2)
y_test_tensor = torch.tensor(y_test, dtype=torch.float32).view(-1, 1)# 2. 创建RNN模型
class RNNModel(nn.Module):def __init__(self, input_size, hidden_size, num_layers):super(RNNModel, self).__init__()self.hidden_size = hidden_sizeself.num_layers = num_layersself.rnn = nn.RNN(input_size, hidden_size, num_layers, batch_first=True)  # 使用RNNself.fc = nn.Linear(hidden_size, 1)  # 输出层def forward(self, x):# 初始化隐藏状态h0 = torch.zeros(self.num_layers, x.size(0), self.hidden_size).to(x.device)# 前向传播out, _ = self.rnn(x, h0)  # RNN输出形状为 (batch_size, seq_length, hidden_size)out = self.fc(out[:, -1, :])  # 只取最后一个时间步的输出return out# 实例化模型
input_size = window_size + 2  # 输入特征维度
hidden_size = 64  # 隐藏层大小
num_layers = 2  # RNN层数
model = RNNModel(input_size, hidden_size, num_layers)# 3. 设置损失函数和优化器
criterion = nn.MSELoss()  # 均方误差损失
optimizer = optim.Adam(model.parameters(), lr=0.001)  # Adam优化器# 4. 训练模型
num_epochs = 1000
for epoch in range(num_epochs):model.train()# 前向传播outputs = model(x_train_tensor)loss = criterion(outputs, y_train_tensor)# 后向传播和优化optimizer.zero_grad()loss.backward()optimizer.step()if (epoch + 1) % 100 == 0:print(f'Epoch [{epoch + 1}/{num_epochs}], Loss: {loss.item():.4f}')# 5. 预测
model.eval()
with torch.no_grad():y_pred_tensor = model(x_test_tensor)y_pred = scaler_y.inverse_transform(y_pred_tensor.numpy())  # 将预测值逆归一化
y_test = scaler_y.inverse_transform(y_test_tensor.numpy())  # 逆归一化真实值# 评估指标
r2 = r2_score(y_test, y_pred)
mae_score = mae(y_test, y_pred)
print(f"R^2 score: {r2:.4f}")
print(f"MAE: {mae_score:.4f}")# 支持中文
plt.rcParams['font.sans-serif'] = ['SimSun']  # 用来正常显示中文标签
plt.rcParams['axes.unicode_minus'] = False  # 用来正常显示负号# 绘制实际值和预测值的对比图
plt.figure(figsize=(10, 6))
plt.plot(range(len(y_test)), y_test, label='实际值', color='blue')
plt.plot(range(len(y_pred)), y_pred, label='预测值', color='red')
plt.xlabel('样本索引')
plt.ylabel('Steering Angle')
plt.title('实际值与预测值对比图')
plt.legend()
plt.grid(True)
plt.show()

结果；

2、使用更长的序列来捕捉历史信息，而不需要手动构造历史特征

提取前5个历史曲率、速度、方向盘转角作为输入特征，同时添加后5个未来曲率（由于车辆的预瞄距离）。目标输出则为未来5个方向盘转角。

# 1. 数据预处理
# 读取数据
data = pd.read_excel('input_data_20241010160240.xlsx')  # 替换为你的数据文件路径  # 提取特征和标签
curvature = data['Curvature'].values
velocity = data['Velocity'].values
steering = data['Steering_Angle'].values# 定义历史和未来的窗口大小
history_size = 5
future_size = 5features = []
labels = []
for i in range(history_size, len(data) - future_size):# 提取前5个历史的曲率、速度和方向盘转角history_curvature = curvature[i - history_size:i]history_velocity = velocity[i - history_size:i]history_steering = steering[i - history_size:i]# 提取后5个未来的曲率（用于预测）future_curvature = curvature[i:i + future_size]# 输入特征：历史 + 未来曲率feature = np.hstack((history_curvature, history_velocity, history_steering, future_curvature))features.append(feature)# 输出标签：未来5个方向盘转角label = steering[i:i + future_size]labels.append(label)# 转换为 NumPy 数组
features = np.array(features)
labels = np.array(labels)# 归一化
scaler_x = StandardScaler()
scaler_y = StandardScaler()features = scaler_x.fit_transform(features)
labels = scaler_y.fit_transform(labels)# 划分训练集和测试集
x_train, x_test, y_train, y_test = train_test_split(features, labels, test_size=0.2)# 将特征转换为三维张量，形状为 [样本数, 时间序列长度, 特征数]
input_feature_size = history_size * 3 + future_size  # 历史曲率、速度、方向盘转角 + 未来曲率
x_train_tensor = torch.tensor(x_train, dtype=torch.float32).view(-1, 1, input_feature_size)  # [batch_size, seq_len=1, input_size]
y_train_tensor = torch.tensor(y_train, dtype=torch.float32).view(-1, future_size)  # 输出未来的5个方向盘转角
x_test_tensor = torch.tensor(x_test, dtype=torch.float32).view(-1, 1, input_feature_size)
y_test_tensor = torch.tensor(y_test, dtype=torch.float32).view(-1, future_size)

由于现在输出的是未来5个方向盘转角，需要调整模型的输出层以匹配新的标签维度。

# 2. 创建RNN模型
class RNNModel(nn.Module):def __init__(self, input_size, hidden_size, num_layers, output_size):super(RNNModel, self).__init__()self.hidden_size = hidden_sizeself.num_layers = num_layersself.rnn = nn.RNN(input_size, hidden_size, num_layers, batch_first=True)self.fc = nn.Linear(hidden_size, output_size)  # 修改输出层以输出未来5个方向盘转角def forward(self, x):# 初始化隐藏状态h0 = torch.zeros(self.num_layers, x.size(0), self.hidden_size).to(x.device)# 前向传播out, _ = self.rnn(x, h0)out = self.fc(out[:, -1, :])  # 只取最后一个时间步的输出return out# 实例化模型
input_size = input_feature_size  # 输入特征数
hidden_size = 64  # 隐藏层大小
num_layers = 2  # RNN层数
output_size = future_size  # 输出5个未来方向盘转角
model = RNNModel(input_size, hidden_size, num_layers, output_size)

更新损失函数来适应未来5个方向盘转角的多维输出。

# 3. 设置损失函数和优化器
criterion = nn.MSELoss()
optimizer = optim.Adam(model.parameters(), lr=0.001)# 4. 训练模型
num_epochs = 1000
for epoch in range(num_epochs):model.train()# 前向传播outputs = model(x_train_tensor)loss = criterion(outputs, y_train_tensor)# 后向传播和优化optimizer.zero_grad()loss.backward()optimizer.step()if (epoch + 1) % 100 == 0:print(f'Epoch [{epoch + 1}/{num_epochs}], Loss: {loss.item():.4f}')# 5. 预测
model.eval()
with torch.no_grad():y_pred_tensor = model(x_test_tensor)y_pred = scaler_y.inverse_transform(y_pred_tensor.numpy())  # 将预测值逆归一化
y_test = scaler_y.inverse_transform(y_test_tensor.numpy())  # 逆归一化真实值# 评估指标
r2 = r2_score(y_test, y_pred, multioutput='uniform_average')  # 多维输出下的R^2
mae_score = mae(y_test, y_pred)
print(f"R^2 score: {r2:.4f}")
print(f"MAE: {mae_score:.4f}")# 绘制未来5个方向盘转角的预测和真实值对比
plt.figure(figsize=(10, 6))
for i in range(future_size):plt.plot(range(len(y_test)), y_test[:, i], label=f'真实值 {i+1} 步', color='blue')plt.plot(range(len(y_pred)), y_pred[:, i], label=f'预测值 {i+1} 步', color='red')
plt.xlabel('样本索引')
plt.ylabel('Steering Angle')
plt.title('未来5个方向盘转角的实际值与预测值对比图')
plt.legend()
plt.grid(True)
plt.show()

此时输出结果：

可以看到，最后的输出应该是预测的5个未来方向盘转角和真实的5个未来方向盘转角之间的对比

下面用两种方法来优化图像输出：

1、绘制平均值

将每个样本的5个预测方向盘转角和真实方向盘转角的平均值绘制在一条线图中，展示总体的变化趋势。

# 计算预测和真实方向盘转角的平均值
y_pred_mean = np.mean(y_pred, axis=1)  # 每个样本的5个预测值取平均
y_test_mean = np.mean(y_test, axis=1)  # 每个样本的5个真实值取平均# 绘制平均值的实际值与预测值对比图
plt.figure(figsize=(10, 6))
plt.plot(range(len(y_test_mean)), y_test_mean, label='真实值（平均）', color='blue')
plt.plot(range(len(y_pred_mean)), y_pred_mean, label='预测值（平均）', color='red')
plt.xlabel('样本索引')
plt.ylabel('Steering Angle (平均)')
plt.title('未来5个方向盘转角的平均值对比图')
plt.legend()
plt.grid(True)
plt.show()

输出结果：

2、绘制第一个未来时间步的对比

# 绘制第1个时间步的实际值与预测值对比图
plt.figure(figsize=(10, 6))
plt.plot(range(len(y_test)), y_test[:, 0], label='真实值 (第1步)', color='blue')
plt.plot(range(len(y_pred)), y_pred[:, 0], label='预测值 (第1步)', color='red')
plt.xlabel('样本索引')
plt.ylabel('Steering Angle')
plt.title('未来第1步方向盘转角的实际值与预测值对比图')
plt.legend()
plt.grid(True)
plt.show()

输出结果