往期精彩内容：

时序预测：LSTM、ARIMA、Holt-Winters、SARIMA模型的分析与比较-CSDN博客

VMD + CEEMDAN 二次分解，Transformer-BiGRU预测模型-CSDN博客

独家原创 | 基于TCN-SENet +BiGRU-GlobalAttention并行预测模型-CSDN博客

独家原创 | BiTCN-BiGRU-CrossAttention融合时空特征的高创新预测模型-CSDN博客

基于LSTM网络的多步预测模型_pytorch transformer-CSDN博客

基于1DCNN网络的多步预测模型-CSDN博客

高创新 | CEEMDAN + SSA-TCN-BiLSTM-Attention预测模型-CSDN博客

基于Transformer网络的多步预测模型-CSDN博客

独家原创 | 超强组合预测模型！-CSDN博客

基于TCN网络的多步预测模型-CSDN博客

基于CNN-LSTM网络的多步预测模型-CSDN博客

时空特征融合的BiTCN-Transformer并行预测模型-CSDN博客

CEEMDAN +组合预测模型(CNN-Transfromer + XGBoost)-CSDN博客

独家首发 | 基于多级注意力机制的并行预测模型-CSDN博客

● 环境框架：python 3.9  pytorch 1.8 及其以上版本均可运行

● 配套文件：详细的环境配置安装教程，模型、参数讲解文档

● 价格：99.8（20个模型，性价比极高！）

● 使用对象：论文需求、毕业设计需求者

● 代码保证：代码注释详细、即拿即可跑通。

更新介绍：

1. 新增多特征多步预测模型：

2. 新增注意力预测模型：

包括完整流程数据代码处理：

多步预测数据集制作、数据加载、模型定义、参数设置、模型训练、模型测试、预测可视化、模型评估、多步预测（如何加载训练好的模型进行外预测）

全网最低价，入门多步预测最佳教程，高性价比、高质量代码，大家可以了解一下：

配有代码、文件介绍：

前言

本文基于前期介绍的电力变压器（文末附数据集），介绍一种基于CNN-LSTM网络的多特征-多步预测模型。

电力变压器数据集的详细介绍可以参考下文：

电力变压器数据集介绍和预处理-CSDN博客

1 电力变压器数据预处理与可视化

1.1 导入数据

1.2 多特征多步预测预处理

2 基于CNN-LSTM的多变量多步预测模型

2.1 定义CNN-LSTM网络模型

2.2 设置参数，训练模型

50个epoch，MSE 为0.08438，CNN-LSTM多步预测模型预测效果显著，模型能够充分提取序列的时空特征，收敛速度快，性能优越，预测精度高，适当调整模型参数，还可以进一步提高模型预测表现。

注意调整参数：

• 可以适当增加CNN层数和每层通道数；

• 改变LSTM层数和每层的神经元个数，增加更多的 epoch （注意防止过拟合）

• 可以改变滑动窗口长度（设置合适的窗口长度）

3 结果可视化和预测、模型评估

3.1 预测结果可视化

3.2 加载模型进行预测

3.3 模型评估

代码、数据如下：

对数据集和代码感兴趣的，可以关注最后一行

# 加载数据
import torch
from joblib import dump, load
import torch.utils.data as Data
import numpy as np
import pandas as pd
import torch
import torch.nn as nn
# 参数与配置
torch.manual_seed(100)  # 设置随机种子，以使实验结果具有可重复性
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
 
#代码和数据集：https://mbd.pub/o/bread/mbd-ZpWYmJps