本文展示基于Paddle构建自回归模型库PaddleAutoregressive的过程。先介绍自回归模型原理，说明其本质为线性模型组合。接着展示基础模块Autoregressive类的搭建，以此封装出AR模型，还介绍了数据读取、模型训练与预测的实现。最后说明将代码封装为库的方法，方便用户通过源码下载、PIP安装和导入使用。项目会持续更新，欢迎交流。

☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 免费无限量使用 DeepSeek R1 模型☜☜☜

PaddleAutoregressive 从0构造一个基于Paddle的自回归模型库

自回归是一个传统的时间序列方法，已经有很多开源框架集成提供了对应的使用方法。为了更加便利地使用Paddle进行开发，本项目目的是开发一个基于Paddle的自回归时间序列库。

关于Autoregressive

参考百度百科：“自回归模型（英语：Autoregressive model，简称AR模型），是统计上一种处理时间序列的方法，用同一变数例如x的之前各期，亦即x1至xt-1来预测本期xt的表现，并假设它们为一线性关系。因为这是从回归分析中的线性回归发展而来，只是不用x预测y，而是用x预测 x（自己）；所以叫做自回归”。

简单来说，自回归模型本质是一种线性模型，即paddle.nn.Linear。迄今为止，自回归模型已经有很多派生，比如ARX、ARMA、ARARX等等，但这些模型仍然可以通过对Lienar进行组合实现。

关于本项目

本项目并非一个库的推广，而是构造一个库的过程的展示。整个内容会比较粗浅，欢迎大家一起学习交流。

PaddleAutoregressive会随着时间（我闲的没事的时候）而不断更新，维护地址为：https://github.com/Liyulingyue/PaddleAutoregressive，如果大家感兴趣欢迎前往提ISSUR或PR。也可以直接在本项目下评论~

内容介绍

本次介绍的内容如下：

• 网络 Autoregressive
• AR模型的实现与训练
• 封装为库（Setup.py的攥写），通过这种方式可以简单的让大家通过“下载源码 - PIP - import”的方式使用代码

自回归模型

参考知乎页面，几个自回归模型的可以看做满足以下格式：

$A(p)y(k)=B(q)u(k)+C(o)v(k)$A(p)y(k)=B(q)u(k)+C(o)v(k)

其中：

• $A(p)y(k)=y(k)+a_{1}y(k-1)+a_{2}y(k-2)+\mathrm{.}\mathrm{.}\mathrm{.}+a_{p}y(k-p)$A(p)y(k)=y(k)+a1y(k−1)+a2y(k−2)+...+apy(k−p)，$B(q)u(k)$B(q)u(k)和$C(o)v(k)$C(o)v(k)类似。
• $y$y是因变量
• $u$u是自变量
• $v$v是扰动项。

特别的，对于最基础的AR模型，可设$B$B和$C$C为0，即

$A(p)y(k)=0$A(p)y(k)=0

$\Rightarrow A(p)y(k)=y(k)+a_{1}y(k-1)+a_{2}y(k-2)+\mathrm{.}\mathrm{.}\mathrm{.}+a_{p}y(k-p)$⇒A(p)y(k)=y(k)+a1y(k−1)+a2y(k−2)+...+apy(k−p)

$\Rightarrow y(k)=-a_{1}y(k-1)-a_{2}y(k-2)-\mathrm{.}\mathrm{.}\mathrm{.}-a_{p}y(k-p)$⇒y(k)=−a1y(k−1)−a2y(k−2)−...−apy(k−p)

因而，我们可以实现一个通用的基础模块，并在这个基础模块的基础上不断封装从而实现AR、ARMA、FIR等时间预测模型。

简小派

简小派是一款AI原生求职工具，通过简历优化、岗位匹配、项目生成、模拟面试与智能投递，全链路提升求职成功率，帮助普通人更快拿到更好的 offer。

123 查看详情

代码

基础模块的搭建

显然，自回归模型是一些Linear层的组合。只需要设定各个输入的阶数，在网络中配置对应的Linear层即可。

In [1]

import paddleclass Autoregressive(paddle.nn.Layer):
    def __init__(self, y_features, x_features, e_features):
        # y_features 是一个整数，是因变量的阶数
        # x_features 是一个由整数组成的list，是自变量的阶数，例如有10个自变量，则list的长度为10，每个变量的阶数都可以有所不同
        # e_features 是一个整数，误差的阶数
        super(Autoregressive, self).__init__()

        self.y_features = y_features
        self.x_features = x_features
        self.e_features = e_features        # 构造一个linear_list用于动态构造Linear层
        linear_list = []        if y_features != 0:
            linear_list.append(paddle.nn.Linear(y_features, 1, bias_attr=True))        for _x in x_features:
            linear_list.append(paddle.nn.Linear(_x, 1, bias_attr=True))        if e_features != 0:
            linear_list.append(paddle.nn.Linear(e_features, 1, bias_attr=True))        
        # 将构造好的网络进行组合
        self.linear_list = paddle.nn.Sequential(*linear_list)    def forward(self, *inputs):
        # 自回归模型本质是各个Linear的加法，用0初始化输出变量
        output = paddle.to_tensor([0]).astype('float32')        # 逐个Linear计算
        for i in range(len(self.linear_list)):
            output += self.linear_list[i](inputs[i])            
        return output

如果我们想模拟FIR(Finite Impulse Response)滤波器，只需要对应的设置y_feature = 0，e_features = 0即可。下述代码建立了一个一阶FIR。

In [2]

model = Autoregressive(0, [1], 0)
x = paddle.to_tensor(1,dtype='float32').reshape([1,1])
model(x)

Tensor(shape=[1, 1], dtype=float32, place=Place(cpu), stop_gradient=False,
       [[0.52980936]])

基于Autoregressive构造AR

AR是自回归模型，即仅保留y_features为对应阶数，x_features 设为 []，e_features设为0即可。从用户的角度来说，他们只希望填入y_features，并不像更多的给x_features进行赋值。因而，我们可以进行适当的封装，仅留一个参数给用户输入即可。

In [4]

import paddleclass AR(paddle.nn.Layer):
    def __init__(self, y_features):
        super(AR, self).__init__()
        self.y_features = y_features
        self.Autoregressive = Autoregressive(y_features, [], 0)    def forward(self, *inputs):
        # 只有自回归变量y输入，传入inputs和传入inputs[0]都可以
        output = self.Autoregressive(inputs[0])        return output

这里也可以通过继承父类的方式实现，考虑到后续的扩展，例如预测隐变量（具体怎么使用Paddle做到还没考虑好），这里优先通过模型组网的方式实现。

In [5]

model = AR(5)
paddle.summary(model,(5,5))

----------------------------------------------------------------------------
  Layer (type)       Input Shape          Output Shape         Param #    
============================================================================
    Linear-2           [[5, 5]]              [5, 1]               6       
Autoregressive-2       [[5, 5]]              [5, 1]               0       
============================================================================
Total params: 6
Trainable params: 6
Non-trainable params: 0
----------------------------------------------------------------------------
Input size (MB): 0.00
Forward/backward pass size (MB): 0.00
Params size (MB): 0.00
Estimated Total Size (MB): 0.00
----------------------------------------------------------------------------

{'total_params': 6, 'trainable_params': 6}

模型使用

构造数据读取器

数据使用空气质量数据集。

In [9]

# 读取数据，复现时请到上述链接中下载文件，解压后，将csv文件放在aistudio目录中import pandas as pdimport numpy as np

df = pd.read_csv('AirQualityUCI.csv', sep=';')
df = df.dropna(how = 'all')
y = df.iloc[:,3].to_list()# 对y进行简单预处理，映射为均值为1的序列y = (np.array(y)/np.array(y).mean()).tolist()

In [10]

import paddleclass MyDateset(paddle.io.Dataset):
    def __init__(self, y_list = y, q = 100, mode = 'train'): # q是阶数
        super(MyDateset, self).__init__()

        self.mode = mode
        self.y = y
        self.q = q    def __getitem__(self, index):
        data = self.y[index:index+self.q]
        label = self.y[index + self.q]
        data = paddle.to_tensor(data, dtype='float32').reshape([self.q])
        label = paddle.to_tensor(label, dtype='float32')        return data,label    def __len__(self):
        return len(self.y)-self.qif 1:
    train_dataset=MyDateset(y, 100)

    train_dataloader = paddle.io.DataLoader(
        train_dataset,
        batch_size=16,
        shuffle=True,
        drop_last=False)    for step, data in enumerate(train_dataloader):
        data, label = data        print(step, data.shape, label.shape)        break

0 [16, 100] [16, 1]

模型训练

In [ ]

model = AR(100)
model.train()if 1:    try:        # 接续之前的模型重复训练
        param_dict = paddle.load('./model.pdparams')
        model.load_dict(param_dict)    except:        print('no such model file')

train_dataset=MyDateset(y, 100)
train_dataloader = paddle.io.DataLoader(
    train_dataset,
    batch_size=64,
    shuffle=True,
    drop_last=False)

max_epoch=100scheduler = paddle.optimizer.lr.CosineAnnealingDecay(learning_rate=0.00001, T_max=max_epoch)
opt = paddle.optimizer.Adam(learning_rate=scheduler, parameters=model.parameters())

now_step=0for epoch in range(max_epoch):    for step, data in enumerate(train_dataloader):
        now_step+=1

        img, label = data
        pre = model(img)
        loss = paddle.nn.functional.mse_loss(pre, label).mean()

        loss.backward()
        opt.step()
        opt.clear_gradients()        if now_step%100==0:            print("epoch: {}, batch: {}, loss is: {}".format(epoch, step, loss.mean().numpy()))

paddle.s*e(model.state_dict(), 'model.pdparams')

模型预测

训练好模型后，可以朝后预测。这里给出一个预测100个数据的demo。

In [ ]

data = y[-100:]for i in range(100):
    input_y = data[i:i+100]
    input_y = paddle.to_tensor(input_y).reshape([1,100])
    output_y = model(input_y)
    data.append(output_y.numpy()[0][0])

构造包

参考简书 - 编写 python package 中的 setup.py 文件

如果希望用户能够通过“pip - import”的方式使用编写后的代码，需要进行如下操作：

1. 建立一个文件夹
2. 将代码文件都塞到文件夹内
3. 和文件夹同级目录下编写setup.py文件

本项目的文件夹路径如下

|- PaddleAutoregressive
   |- __init__.py # 留空即可
   |- AR.py # AR的模型声明，需要从Autoregressive.py中import Autoregressive，打包后import路径要从包名开始
   |- Autoregressive.py # 基础模型的声明|-setup.py

setup.py内容如下：

from setuptools import setup, find_packages

setup(    name='PaddleAutoregressive',    packages=find_packages()
)

上传至github后，即可让用户从拉取源码，pip install -e .,import的方式使用写好的代码啦~

从Git Clone开始使用Autoregressive

In [ ]

# 下载代码! git clone https://github.com/Liyulingyue/PaddleAutoregressive.git
%cd ~/PaddleAutoregressive# 安装! pip install -e .

In [ ]

%cd ~import PaddleAutoregressive.AR as ARimport paddle
model = AR.AR(5)
paddle.summary(model,(5,5))

接下来，就可以将AR模型和Paddle模型进行任意组网和训练啦~

以上就是【Autoregressive】从0构造一个基于Paddle的自回归模型库的详细内容，更多请关注其它相关文章！

# git  # 四川移动营销推广公司  # 前端网站建设和维护  # 白蕉镇网络营销推广  # seo每天更新几次合适  # 柳州靠谱网站建设推广  # seo总结ppt范文  # 这是  # 装出  # 官网  # 只需要  # 中文网  # 可以通过  # 有很多  # python  # ai  # 百度  # csv文件  # cos  # yy  # pip安装  # udio  # type  # 是一个  # 一言  # 设为  # 常州先进网站建设哪家好  # 新民网站建设制作  # 彩妆关键词排名大全图片  # 衡阳网站优化电池流程 

相关栏目： 【 行业新闻62819 】 【 科技资讯67470 】

相关推荐： 美图吴欣鸿：希望更多人用上AI时代的影像生产力工具  V社回应拒绝上架含 AI 生成内容的游戏：审核政策正在调整中  微软为 AI 初学者推出免费网课：为期 12 周，共 24 节课  “思享荟”沙龙热议AIGC与元宇宙 复旦大学赵星畅谈深度数字化  13万个注释神经元，5300万个突触，普林斯顿大学等发布首个完整「成年果蝇」大脑连接组  AI智能室内效果图设计软件效果，确实惊到我了！  微软商店 AI 摘要功能开启预览，帮助用户迅速了解应用评价  测试框架-安全和自动驾驶  陈根：ChatGPT和人类合作开发机器人  焊接协作机器人或将成为26届埃森展最大看点  泗洪：畅通城市“血管” ，管下机器人来帮忙  上海发布大模型政策 打造AI“模”都  Vision Pro 太贵，苹果基于 iPhone 的 VR 头显专利曝光  百亿量化私募：量化投资进入“精耕细作”时代 AI带来行业新变革  讯飞星火大模型实现升级 助力通用人工智能人才培养  AI会帮我们把活干完吗？  借力AI！PCB全球巨头，有爆发潜质吗？  兆讯传媒率先全面拥抱AI 数智广告内容焕发新生机  电力人工智能数据集目录首次发布  李开复官宣新公司「零一万物」，进军 AI 2.0  人工智能的变革之路：通过OpenAI的GPT-4漫游  Meta开源文本生成音乐大模型，我们用《七里香》歌词试了下  家电行业观察：AI加持下，全屋智能将成为智能家电未来？  央视报道车载人机交互技术！MWC上海魅族表现亮眼，现场热火朝天  AI成政客博弈工具，美国大选真假难辨，律师们的生意来了  上天下海登极，青岛与昇腾AI握手一起探索星辰大海  中国移动副总经理高同庆：打造人工智能时代的智能服务运营新范式  重磅！ 捷通华声灵云AICC荣获第二届光合组织AI解决方案大赛二等奖  统信深度deepin成立 AI SIG 社区，共同提升 Linux 下 AI 体验  Moka发布AI原生HR SaaS产品“Moka Eva”，布局AGI时代  基于信息论的校准技术，CML让多模态机器学习更可靠  腾讯企点客服接待与营销分析能力升级！企业操作更高效、人机交互更智能  英特尔张宇：边缘计算在整个AI生态系统中扮演重要角色  Meta 推出 Quest 超级分辨率技术，让 VR 画面更清晰  揭示经济学论文写作中提高效率与质量的AI助手应用策略  令人震惊的特斯拉机器人  人工智能驱动智能建筑会是未来趋势吗？  首届亚太网络法实务大会召开 九位大咖探讨元宇宙与人工智能发展  “世界上最像人的机器人”接入 Stable Diffusion ，现场完成作画  软通动力多项AI创新产品及应用亮相2025世界人工智能大会  为AI而服务设计：构建以人为本的AI创新方法  Prompt解锁语音语言模型生成能力，SpeechGen实现语音翻译、修补多项任务  网友自制 AI 版《流浪地球 3》预告片，登上 CCTV6  Databricks 发布大数据分析平台 Spark 用 AI 模型 SDK：一键生成 SQL 及 FySpark 语言图表代码  实测 AI 建筑设计软件的自动生成效果图能力  日媒关注中国推进鸟类识别 AI 普及，除监测保护外还可预防传染性疾病  人工智能快速发展 打开就业新空间  WPS AI 官网上线：可申请体验官资格，支持 Windows、安卓端下载  如布AI口袋学习机S12 将亮相综艺节目《好样的！国货》  三个全球首创，青岛西海岸新区“海元宇宙”亮相世界人工智能大会