【Autoregressive】从0构造一个基于Paddle的自回归模型库

---

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  # ai  # 百度  # csv文件  # python  # 装出  # 怎样修图素材网站推广呢  # 这是  # 益阳网站建设美丽图片  # 郑州网站优化怎么选择  # 包装风格的网站推广  # 网站建设过时了  # 网店推广实训中级seo  # 纪录片网站建设  # 南通正规的网站建设  # 南京seo优化项目  # 智慧推广营销平台简介  # 官网  # 只需要  # 中文网  # 可以通过  # 设为  # 有很多  # 一言  # 是一个  # type  # udio  # pip安装  # yy  # cos 

相关栏目： 【 Google疑问12 】 【 Facebook疑问10 】 【 优化推广96088 】 【 技术知识133117 】 【 IDC资讯59369 】 【 网络运营7196 】 【 IT资讯61894 】

相关推荐： 2025年贵州省青少年机器人竞赛在安举行  深剖Apple Vision Pro中暗藏的“AI”  全国青少年无人机大赛重庆市选拔赛开赛 1252名中小学生参加  WHEE网页地址入口  7/8上海 | 2025世界人工智能大会分论坛:科技与人文-共筑无障碍智能社会  Moka发布AI原生HR SaaS产品“Moka Eva”，布局AGI时代  WPS AI 官网上线：可申请体验官资格，支持 Windows、安卓端下载  Databricks推出人工智能模型共享机制，可令开发者与公司“双赢”  苹果AI战略与微软谷歌大相径庭，到底是领先还是落后？  鸿蒙OS 4将实现AI大模型集成，余承东表示坚持AI辅助而非AI取代  「从未被制造出的最重要机器」，艾伦·图灵及图灵机那些事  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  业内领先 四川大学华西第四医院甲状腺乳腺外科成功进入手术机器人时代  苹果机器学习关键人物 Ali Farhadi 离职，回归 AI2 担任 CEO  人工智能正在弥合认知和表达之间的鸿沟  羊驼家族大模型集体进化！32k上下文追平GPT-4，田渊栋团队出品  拓普龙7188ML：轻便壁挂式工控机箱，为人工智能应用场景提供有力保障  AI+音乐如何“生成”动听旋律？一起揭秘世界人工智能大会开场曲  DreamAvatar数字人使用教程  两小时就能超过人类！DeepMind最新AI速通26款雅达利游戏  WHEE上线时间介绍  微软面向AI初学者推出免费网络课程  AIGC浪潮下，联想集团再加码计算与人工智能  AI数字人业务频频获点赞，谦寻积极引领示范作用  南京制造的国产工业机器人：在外资品牌竞争中突围，年销售1.8万台  CharacterAI - 也许会成为会话人工智能的未来  抖音在Android平台获得VR|直播|软件著作权  消息称苹果 iPhone 15 系列健康应用将深度融合 AI 技术  科技赋能司法执行 阿里资产免费为全国法院升级VR新服务  微软为 AI 初学者推出免费网课：为期 12 周，共 24 节课  百度文心一言App上架苹果商店，人工智能创作引发热议  给小朋友最好的科技礼物：乐天派桌面机器人  再也不怕「视频会议」尬住了！谷歌CHI顶会发布新神器Visual Captions：让图片做你的字幕助手  大疆 Air 3 无人机售价和实物照片曝光  常见的五个人工智能误解  Transformer六周年：当年连NeurIPS Oral都没拿到，8位作者已创办数家AI独角兽  V社悄悄封禁使用AI生成美术素材的游戏  中国移动主导创立元宇宙产业联盟，包括科大讯飞、芒果TV等在内，共24家成员  讯飞听见会写“会议摘要”功能全面升级，AI更懂你的关注点  ​布局智能物联新时代,中国移动“5G+物联网”亮相2025 MWC  人工智能改变网络安全和用户体验的三种方式  对艺术家拒绝置若罔闻，Stability AI 将推出适应多种画风的开源模型  闪电快讯|京东推出言犀AI大模型 面向零售、医疗、物流等产业场景  马斯克发推讽刺人工智能：机器学习的本质就是统计  Win11 的画图应用将包含 Windows Copilot 的 AI 工具整合  DeepMind推惊世排序算法，C++库忙更新！  Yann LeCun团队新研究成果：对自监督学习逆向工程，原来聚类是这样实现的  无人机协助盐城交通执法的协同训练  人工智能大胆预测：银河系至少有2万个地球，36种外星文明  如何用Transformer BEV克服自动驾驶的极端情况？ 

 2025-07-16