BITCN合集（BITCN 、BITCN-GRU、BITCN-BIGRU、BITCN-LSTM、BITCN-BILSTM、BITCN-SVM）

1. BITCN（双向时间卷积神经网络）：

   • BITCN 主要由多个一维卷积层组成，这些卷积层可以捕捉时间序列数据中的局部特征。
   • 双向结构意味着网络有两个平行的卷积路径，一个处理正向的时间序列，另一个处理反向的时间序列。这样，网络能够同时考虑过去和未来的信息。
   • 在卷积层之间，可能会使用激活函数（如ReLU）来增加模型的非线性，以及批标准化（Batch Normalization）来加速训练过程。
   • 最终的输出层可能是一个全连接层，用于生成最终的预测或分类结果。

2. BITCN-GRU（双向时间卷积神经网络与门控循环单元）：

   • 该模型结合了BITCN和GRU（门控循环单元）的特点。BITCN部分如上文所述。
   • GRU层在BITCN之后，用于进一步捕捉时间序列中的长期依赖关系。GRU有三个门：重置门、更新门和输出门，它们共同控制信息的流动。
   • BITCN的输出被用作GRU的输入，GRU的输出则作为整个模型的最终输出。

3. BITCN-BiGRU（双向时间卷积神经网络与双向门控循环单元）：

   • BiGRU是双向的GRU，即它有两个并行的GRU层，一个处理正向序列，一个处理反向序列。
   • BITCN的输出作为BiGRU的输入，BiGRU的输出则作为整个模型的最终输出。
   • 这种结构使得模型能够同时考虑时间序列中的前向和后向信息，提高预测的准确性。

4. BITCN-LSTM（双向时间卷积长短期记忆神经网络）：

   • LSTM（长短期记忆网络）是一种特殊的循环神经网络，能够捕捉长期依赖关系。
   • 在BITCN-LSTM中，BITCN的输出被用作LSTM的输入。LSTM层由多个LSTM单元组成，每个单元都有输入门、遗忘门和输出门。
   • LSTM的输出通过全连接层进行最终预测或分类。

5. BITCN-BILSTM（双向时间卷积双向长短期记忆神经网络）：

   • BILSTM是双向的LSTM，即它有两个并行的LSTM层，一个处理正向序列，一个处理反向序列。
   • BITCN的输出被用作BILSTM的输入。BILSTM的输出通过全连接层进行最终预测或分类。
   • 这种结构能够同时考虑时间序列中的前向和后向信息，提高模型对长期依赖关系的捕捉能力。

6. BITCN-SVM（双向时间卷积神经网络与支持向量机）：

   • SVM（支持向量机）是一种监督学习模型，常用于分类和回归问题。
   • 在BITCN-SVM中，BITCN用于从时间序列数据中提取特征。提取的特征被用作SVM的输入，SVM则根据这些特征进行分类或回归预测。
   • 这种组合使得模型能够结合BITCN的特征提取能力和SVM的分类能力，提高预测的准确性。

评价指标包括MAE、MAPE 、MSE、RMSE、R2

可出适应的曲线图、评价指标二维对比图、评价指标雷达图

包含模型：

BITCN 、

BITCN-GRU、

BITCN-BIGRU、

BITCN-LSTM、

BITCN-BILSTM、

BITCN-SVM

基于风电数据集进行预测效果对比：