构建基线与多步模型预测及评估

30、对于单步模型：a. 构建一个预测最后已知值的基线模型。b. 绘制其预测结果。c. 使用平均绝对误差（MAE）评估其性能，并将结果存储在字典中以供比较。

可以使用代码构建预测最后已知值的基线模型，如使用 Baseline 类。使用 DataWindow 类的 plot 方法绘制预测结果，例如：

wide_window.plot(baseline_last)

评估性能并存储 MAE，如：

performance['Baseline - Last'] = baseline_last.evaluate(single_step_window.test, verbose=0)

还可打印 MAE 进行查看，如：

print(performance['Baseline - Last'][1])

这里得到的 MAE 为 0.081 。

31、对于多步模型：a. 构建一个在24小时范围内预测最后已知值的基线模型。b. 构建一个重复最后24小时数据的基线模型。c. 绘制两个模型的预测结果。d. 使用平均绝对误差（MAE）评估两个模型并存储它们的性能。

a. 构建在24小时范围内预测最后已知值的基线模型：定义`MultiStepLastBaseline`类，该类接收输入并将输入序列的最后一个值重复24个时间步作为预测。代码如下：

```python
import tensorflow as tf
from tensorflow.keras import Model
from tensorflow.keras.losses import MeanSquaredError
from tensorflow.keras.metrics import MeanAbsoluteError

class MultiStepLastBaseline(Model):
    def __init__(self, label_index=None):
        super().__init__()
        self.label_index = label_index

    def call(self, inputs):
        if self.label_index is None:
            return tf.tile(inputs[:, -1:, :], [1, 24, 1])
        return tf.tile(inputs[:, -1:, self.label_index:], [1, 24, 1])

# 假设 column_indices 是一个包含列索引的字典
column_indices = {'traffic_volume': 0}
ms_baseline_last = MultiStepLastBaseline(label_index=column_indices['traffic_volume'])
ms_baseline_last.compile(loss=MeanSquaredError(), metrics=[MeanAbsoluteError()])

b. 构建重复最后24小时数据的基线模型：通过 RepeatBaseline 类实现，该类返回输入序列，即未来24小时的预测值就是最后已知的24小时数据。

class RepeatBaseline(Model):
    def call(self, inputs):
        return inputs

ms_baseline_repeat = RepeatBaseline()
ms_baseline_repeat.compile(loss=MeanSquaredError(), metrics=[MeanAbsoluteError()])

c. 绘制两个模型的预测结果：使用 DataWindow 类的 plot 方法进行绘制。假设 multi_window 是 DataWindow 类的一个实例，如 multi_window.plot(ms_baseline_last) 和 multi_window.plot(ms_baseline_repeat) 。

# 假设 multi_window 是 DataWindow 类的实例
multi_window.plot(ms_baseline_last)
multi_window.plot(ms_baseline_repeat)

d. 使用MAE评估两个模型并存储性能：

ms_val_performance = {}
ms_performance = {}

# 评估并存储预测最后已知值的基线模型的性能
ms_val_performance['Baseline - Last'] = ms_baseline_last.evaluate(multi_window.val)
ms_performance['Baseline - Last'] = ms_baseline_last.evaluate(multi_window.test, verbose=0)

# 评估并存储重复最后24小时数据的基线模型的性能
ms_va