多步预测全家桶重大更新！！！

本期我们继续更新多步预测全家桶，把 KAN 和 CKAN ( Convolutional Kolmogorov-Arnold Network ) 应用到多步预测模型里面，我们新增了关于KAN、KANConv、CNN-KAN、LSTM-KAN、TCN-KAN、Transformer-KAN、GRU-KAN、CNN-LSTM-KAN、KANConv-GRU并行等预测模型，实现了高精度的预测。帮助大家把握热点，早日发文！

● 环境框架：python 3.9  pytorch 2.1 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：全家桶已新增到40个模型（高性价比）

● 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。

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

 基于 KAN、KAN卷积的多步预测模型

研究者将 KAN 创新架构的理念扩展到卷积神经网络，将卷积的经典线性变换更改为每个像素中可学习的非线性激活函数，提出并开源 KAN 卷积（CKAN）。KAN 卷积与卷积非常相似，但不是在内核和图像中相应像素之间应用点积，而是对每个元素应用可学习的非线性激活函数，然后将它们相加。

由对比试验可以看出来，KAN 卷积以非常小的参数量实现了一定的预测效果，在后续的轻量级预测网络模型中有一定的研究价值！KAN网络在作为最后的线性层进行替代时，表示出良好的性能。

 相关创新模型可视化展示 

更新介绍：

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：（所有全家桶模型会不断加入新的模型进行更新！后续会逐渐提高价格，越早购买性价比越高！！！）一次购买，享受永久免费更新福利！

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KANConv-GRU并行网络的多步预测模型。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

1 电力变压器数据预处理与可视化

1.1 导入数据

1.2 多步预测预处理

2 基于KANConv-GRU的多步预测模型

2.1 定义KANConv-GRU网络模型

2.2 设置参数，训练模型

50个epoch，MSE 为0.0211，KANConv-GRU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，表示出良好的性能。

3 结果可视化和模型评估

3.1 预测结果可视化

3.2 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/ZpWYmJps