模型组合、注意力机制在单步、多步、单变量、多变量预测中的应用

news2024/9/22 1:38:36

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

多步预测模型大更新_基于多尺度 1d-cnn 和注意力机制的汇率多步预测研究-CSDN博客

独家原创 | CEEMDAN-CNN-GRU-GlobalAttention + XGBoost组合预测-CSDN博客

回归预测模型 | LSTM、CNN、Transformer、TCN、串行、并行模型集合-CSDN博客

基于TCN-BiLSTM-Attention模型的不同任务预测详解，探索同一个模型和数据集，在四种不同任务上的表现

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

● 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。

● 输出结果：训练过程MSE损失曲线图、测试集模型分数-MAE-MSE-RMSE报告、预测可视化、向外预测（预测未来数据）

包括完整流程数据代码处理：

单步-多步、单变量-多变量预测数据集制作、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、多步预测、模型评估

模型整体介绍：

1. 时空卷积网络（TCN）：

TCN是一种卷积神经网络结构，用于捕捉时序数据中的时序关系。它由一系列的1D卷积层组成，每个卷积层都具有相同的卷积核大小和步长。TCN中的残差连接（Residual Connections）和空洞卷积（Dilated Convolutions）用于增加网络的感受野，以便更好地捕捉时序数据中的长期依赖关系。TCN可以同时处理多个时间步的输入，这使得模型能够在多个时间步上进行并行预测。

2.短期和长期依赖关系的捕捉：

TCN：通过卷积操作，能够有效捕捉时间序列中的短期依赖关系，同时由于其因果卷积和扩展卷积，能够处理较长的序列依赖关系。
BiLSTM：双向 LSTM 能够同时处理序列的前向和后向信息，捕捉序列中的长期和双向依赖关系。
并行计算：TCN：卷积操作可以并行处理，相较于 RNN 的串行计算，TCN 在处理长序列时具有计算效率上的优势。

3.信息选择和权重分配：

Attention 机制：通过注意力机制，模型能够为输入序列中的不同部分分配不同的权重，从而更好地关注对预测结果有重要贡献的时间步。这有助于提高模型的预测精度和解释性。

4.稳定性和长序列处理能力：

TCN：由于使用了残差连接和扩展卷积，TCN 在处理长序列时更稳定，能够避免梯度消失和梯度爆炸问题。结合了 TCN、BiLSTM 和 Attention 的模型具有强大的表达能力，能够处理复杂的时间序列数据，并且提高预测的准确性和鲁棒性。

配有代码、文件介绍：

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

1.1 导入数据

1 单变量单步预测任务

1.1 任务描述

单变量单步预测，就是只有（用）一个变量，用已有的数据去预测未来的数据，每次预测一步

输入训练集变量：变量var-OT
对应y值标签为：变量var-OT

1.2 单变量单步预测预处理

1.3 模型定义-基于TCN-BiLSTM-Attention的单变量单步预测

1.4 设置参数，训练模型

1.5 预测结果可视化

1.6 模型评估

1.7 加载模型进行预测

2 单变量多步预测任务

2.1 任务描述

单变量多步预测，就是只有（用）一个变量，用已有的数据去预测未来的数据，每次预测多步

输入数据的形状应该是 (batch_size, window_size, input_dim)
输出数据的形状应该是 (batch_size, num_steps, output_dim)

解释：

batch_size就是批次
input_dim 和 output_dim 就是对应输入维度，和输出维度（如果单变量预测任务的话，就是输入输出都为1维）
window_size 就是输入样本序列的长度
num_steps 是需要预测的步长（比如：用过去 12 个步长，预测未来 3 个步长）

2.2 单变量多步预测预处理

2.3 模型定义-基于TCN-BiLSTM-Attention的单变量多步预测

2.4 设置参数，训练模型

2.5 预测结果可视化

每步预测单独可视化：

2.6 模型评估

2.7 加载模型进行预测

3 多变量单步预测任务

3.1 任务描述

多变量单步预测，就是有（用）多个变量的数据去预测某个目标变量未来的数据，每次预测一步

输入训练集变量：所有特征变量（多个）
对应y值标签为：目标变量var-OT

3.2 多变量单步预测预处理

3.3 模型定义、训练过程、评估、可视化、向外预测不再赘述

多变量单步预测效果明显优于单变量单步预测效果，考虑到其他特征带来对目标变量预测更多的信息，其预测性能更显著！

4 多变量多步预测任务

4.1 任务描述

多变量多步预测，就是有（用）多个变量的数据去预测某个目标变量未来的数据，每次预测多步

输入数据的形状应该是 (batch_size, window_size, input_dim)
输出数据的形状应该是 (batch_size, num_steps, output_dim)

解释：

batch_size就是批次
input_dim 和 output_dim 就是对应输入维度，和输出维度（如果多变量预测任务的话，就是输入多维，输出为1维）
window_size 就是输入样本序列的长度
num_steps 是需要预测的步长（比如：用过去 12 个步长，预测未来 3 个步长）

4.2 多变量多步预测预处理

4.3 模型定义、训练过程、评估、可视化、向外预测不再赘述

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/ZpaWkp5q

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.coloradmin.cn/o/1965673.html

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈，一经查实，立即删除！