python
复制代码
# LSTM 模型定义（PyTorch）
# ---------------------------------------------------------
# 本文件实现一个简单的单层 LSTM 回归模型，用于预测下一小时 PM2.5。
# 输入维度: 24（窗口长度）
# 输出维度: 1（预测未来1小时 PM2.5）
# ---------------------------------------------------------
import torch # 导入 PyTorch 主包，用于张量运算与设备管理
import torch.nn as nn # 导入神经网络模块的子包，习惯性重命名为 nn
# 定义一个继承自 nn.Module 的 LSTM 模型类
class LSTMModel(nn.Module):
def __init__(self, input_size=1, hidden_size=64, num_layers=1, dropout=0.0):
super(LSTMModel, self).__init__() # 调用父类构造函数，初始化模块内部状态
# 定义一个 LSTM 层
# input_size: 每个时间步的特征维度（这里每小时只有一个 PM2.5 值，所以是 1）
# hidden_size: LSTM 隐藏态的维度（即每个时间步输出向量的长度）
# num_layers: LSTM 堆叠层数（几层 LSTM 单元叠在一起）
# batch_first=True: 输入/输出张量的形状为 (batch, seq_len, feature)
# dropout: 当 num_layers>1 时，层间 dropout 的概率
self.lstm = nn.LSTM(
input_size=input_size,
hidden_size=hidden_size,
num_layers=num_layers,
batch_first=True,
dropout=dropout
)
# 定义一个线性全连接层，把 LSTM 的最后隐藏态映射为预测值
# 输入维度 hidden_size -> 输出维度 1（回归预测一个数）
self.fc = nn.Linear(hidden_size, 1)
def forward(self, x):
# forward 定义前向传播逻辑，x 是模型输入张量
# 期望 x.shape = (batch_size, seq_len=24, feature=1)
out, _ = self.lstm(x) # 把输入传入 LSTM，out 为每个时间步的输出（shape=(batch, seq_len, hidden_size)）
# 第二个返回值是 (h_n, c_n) ------ 最后一个时间步的隐状态与细胞状态，这里用 _ 忽略它
# 取 LSTM 输出序列中最后一个时间步的输出作为序列级特征
# out[:, -1, :] 的形状为 (batch_size, hidden_size)
out = out[:, -1, :]
# 把最后时间步的隐藏向量通过全连接层映射为标量预测值
# 最终 out 的形状为 (batch_size, 1)
out = self.fc(out)
return out # 返回预测结果（未做激活，回归任务通常直接输出实数）