使用 PyTorch 预测网格坐标序列

Question

我有一个类似的悬而未决的问题here on Cross Validated（虽然不是以实现为重点，但我打算提出这个问题，所以我认为它们都是有效的）。

我正在开展一个项目，该项目使用传感器来监控一个人的 GPS 位置。然后坐标将被转换为简单的网格表示。我想要尝试做的是在记录用户路线后，训练神经网络来预测下一个坐标，即以下面的示例为例，用户随着时间的推移只重复两条路线，Home->A和首页->B。

我想用不同长度的序列训练一个 RNN/LSTM，例如(14,3), (13,3), (12,3), (11,3), (10,3), (9,3), (8,3), (7,3), (6,3), (5,3), (4,3), (3,3), (2,3), (1,3) 然后还预测不同长度的序列，例如如果我打电话给这个示例路线

route = [(14,3), (13,3), (12,3), (11,3), (10,3)] //pseudocode
pred = model.predict(route)

pred 应该给我(9,3)（或者理想情况下甚至更长的预测，例如（(9,3), (8,3), (7,3), (6,3), (5,3), (4,3), (3,3), (2,3), (1,3)）

如何将此类训练序列提供给下面确定的 init 和 forward 操作？

self.rnn = nn.RNN(input_size, hidden_dim, n_layers, batch_first=True)
out, hidden = self.rnn(x, hidden)

另外，整个路由应该是一个张量还是路由内的每组坐标都是一个张量？

Answer 1

我对 RNN 不是很有经验，但我会尝试一下。

开始之前需要注意的几点：
1.您的数据不是normalized。
2. 你想要的输出预测（即使在归一化之后）不受[-1, 1] 范围的限制，因此你不能让tanh 或ReLU 激活作用于输出预测。

为了解决您的问题，我提出了一个循环网络，它在给定当前状态（二维坐标）的情况下预测下一个状态（二维坐标）。请注意，由于这是一个循环网络，因此每个位置也有一个隐藏状态。起初，隐藏状态为零，但随着网络看到更多步骤，它会更新其隐藏状态。

我建议一个简单的网络来解决您的问题。它有一个带有 8 个隐藏状态的 RNN 层，以及一个用于输出预测的全连接层。

class MyRnn(nn.Module):
  def __init__(self, in_d=2, out_d=2, hidden_d=8, num_hidden=1):
    super(MyRnn, self).__init__()
    self.rnn = nn.RNN(input_size=in_d, hidden_size=hidden_d, num_layers=num_hidden)
    self.fc = nn.Linear(hidden_d, out_d)

  def forward(self, x, h0):
    r, h = self.rnn(x, h0)
    y = self.fc(r)  # no activation on the output
    return y, h

您可以使用您的两个序列作为训练数据，每个序列是一个形状为 Tx1x2 的张量，其中 T 是序列长度，每个条目都是二维 (xy)。

预测（在训练期间）：

rnn = MyRnn()
pred, out_h = rnn(seq[:-1, ...], torch.zeros(1, 1, 8))  # given time t predict t+1
err = criterion(pred, seq[1:, ...])  # compare prediction to t+1

模型训练好后，可以先展示k步骤，继续预测接下来的步骤：

rnn.eval()
with torch.no_grad():
  pred, h = rnn(s[:k,...], torch.zeros(1, 1, 8, dtype=torch.float))
  # pred[-1, ...] is the predicted next step
  prev = pred[-1:, ...]
  for j in  range(k+1, s.shape[0]):
    pred, h = rnn(prev, h)  # note how we keep track of the hidden state of the model. it is no longer init to zero.
    prev = pred

我将所有内容放在colab notebook 中，以便您可以使用它。
为简单起见，我在这里忽略了数据规范化，但你可以在 colab notebook 中找到它。

---

接下来是什么？
这些类型的预测容易产生错误累积。这应该在训练期间通过将输入从地面实况“干净”序列转移到实际预测序列来解决，以便模型能够补偿其错误。