基于pytorch搭建多特征LSTM时间序列预测代码

这是一个基于PyTorch的简单多特征LSTM时间序列预测代码示例。假设我们有一个时间序列数据集，它有两个特征（feature1和feature2）。

python
复制代码
import torch  
import torch.nn as nn  
import numpy as np  
from sklearn.model_selection import train_test_split  
from sklearn.preprocessing import MinMaxScaler  
from sklearn.metrics import mean_squared_error  
import matplotlib.pyplot as plt  
  
# 1. 数据预处理  
# 假设我们有如下数据  
data = np.array([  
    [1, 2],  
    [2, 3],  
    [3, 4],  
    [4, 5],  
    [5, 6]  
])  
  
# 添加偏移量以提高预测的准确性  
data = data[:, :-1]  
target = data[:, -1]  
  
# 数据归一化  
scaler = MinMaxScaler()  
data = scaler.fit_transform(data)  
target = scaler.transform(target.reshape(-1, 1))  
  
# 划分训练集和测试集 &