单步预测(八)CEEMDAN-TCN-Attention预测模型

作品简介

此代码已经继续加入单步预测(单变量、多特征变量、风速、电力负荷预测)全家桶:单步预测全家桶(单变量、多特征变量、风速、电力负荷预测) (mbd.pub)

单变量包括以下内容:

1.VMD-CNN-Transformer预测模型 (mbd.pub)

2.VMD-CNN-BiLSTM预测模型 (mbd.pub)

3.基于Python时序预测:LSTM、ARIMA、Holt-Winters、SARIMA模型的分析与比较 (mbd.pub)

4.风速预测:基于EMD-LSTM的预测模型 (mbd.pub)

5.单步预测模型(三)CNN-GRU并行模型 (mbd.pub)

6.风速预测:EMD-Transformer模型 (mbd.pub)

7.单步预测模型(一)LSTM (mbd.pub)

8.风速预测:EMD-CNN-LSTM模型 (mbd.pub)

9.单步预测模型(二)CNN-LSTM模型 (mbd.pub)

10.风速预测:EMD-LSTM-Attention(基于Pytorch实现) (mbd.pub)

11.风速预测:EMD-CNN-GRU并行模型 (mbd.pub)

12.单步预测(八)CEEMDAN-TCN-Attention预测模型 (mbd.pub)

多特征变量包括以下内容:

1.多特征变量序列 TCN 预测 (mbd.pub)

2.多特征变量序列预测(七) CEEMDAN+Transformer-BiLSTM预测模型 (mbd.pub)

3.多特征变量序列预测(六) CEEMDAN+CNN-Transformer风速预测模型 (mbd.pub)

4.多特征变量序列预测(三)CNN-Transformer风速预测模型 (mbd.pub)

5.多特征变量序列预测(二)CNN-LSTM-Attention风速预测模型 (mbd.pub)

6.多特征变量序列预测(一)CNN-LSTM风速预测模型 (mbd.pub)

7.多特征变量序列预测(四)Transformer-BiLSTM风速预测模型 (mbd.pub)

8.多特征变量序列预测-Transformer预测模型 (mbd.pub)

9.多特征变量序列预测-LSTM预测模型 (mbd.pub)

10.多特征变量序列预测(五)CEEMDAN+CNN-LSTM风速预测模型 (mbd.pub)

11.多特征变量序列预测(11) 基于Pytorch的TCN-GRU预测模型 (mbd.pub)

导读.png

注意:本模型继续加入单步预测模型代码全家桶中,之前购买的同学请及时更新下载

全网最低价,入门单步预测序列最佳教程,模型创新度高,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!!!

https://mbd.pub/o/bread/mbd-ZZiYmZdv

前言

本文基于前期介绍的电力变压器( 文末附数据集 ),介绍一种综合应用完备集合经验模态分解CEEMDAN与TCN-Attention预测模型的方法,以提高时间序列数据的预测性能。 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

封面.png

模型整体结构:使用CEEMDAN算法对风速序列进行分解,形成一个分量特征输入 ,通过滑动窗口制作数据集,来预测风速。 过TCN-Attention模型提取分量空间、时域特征,然后再送入全连接层,实现 高精度的预测模型。

1 电力变压器数据CEEMDAN分解与可视化

1.1 导入数据

油温数据.png


1.2 CEEMDAN分解

CEEMDAN分解.png


2 数据集制作与预处理


划分数据集,按照9:1划分训练集和测试集

数据集制作.png


3 基于CEEMADN的 TCN-Attention 模型预测


3.1 定义CEEMDAN-TCN-Attention预测模型

模型结构.png

注意:输入风速数据形状为 [64, 7, 11], batch_size=64, 7代表序列长度(滑动窗口取值),维度11代表11个分量,。


3.2 设置参数,训练模型

模型训练.png

100个epoch,MSE 为0.0372,CEEMDAN-TCN-Attention预测效果良好,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TCN层数和每层的维度,微调学习率;
  • 调整自注意力维度数,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)

4 结果可视化和模型评估

4.1 结果可视化

预测可视化.png


4.2 模型评估

模型分数.png


面包多.png

往期精彩内容:


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

风速预测(一)数据集介绍和预处理

风速预测(二)基于Pytorch的EMD-LSTM模型

风速预测(三)EMD-LSTM-Attention模型

风速预测(四)基于Pytorch的EMD-Transformer模型

风速预测(五)基于Pytorch的EMD-CNN-LSTM模型

风速预测(六)基于Pytorch的EMD-CNN-GRU并行模型

CEEMDAN +组合预测模型(BiLSTM-Attention + ARIMA)

CEEMDAN +组合预测模型(CNN-LSTM + ARIMA)

CEEMDAN +组合预测模型(Transformer - BiLSTM + ARIMA)

CEEMDAN +组合预测模型(CNN-Transformer + ARIMA)

多特征变量序列预测(一)——CNN-LSTM风速预测模型

多特征变量序列预测(二)——CNN-LSTM-Attention风速预测模型

多特征变量序列预测(三)——CNN-Transformer风速预测模型

多特征变量序列预测(四) Transformer-BiLSTM风速预测模型

多特征变量序列预测(五) CEEMDAN+CNN-LSTM风速预测模型

多特征变量序列预测(六) CEEMDAN+CNN-Transformer风速预测模型

基于麻雀优化算法SSA的CEEMDAN-BiLSTM-Attention的预测模型

基于麻雀优化算法SSA的CEEMDAN-Transformer-BiGRU预测模型

超强预测模型:二次分解-组合预测

多特征变量序列预测(七) CEEMDAN+Transformer-BiLSTM预测模型

多特征变量序列预测(八)基于麻雀优化算法的CEEMDAN-SSA-BiLSTM预测模型

多特征变量序列预测(11) 基于Pytorch的TCN-GRU预测模型

VMD + CEEMDAN 二次分解,CNN-LSTM预测模型

VMD + CEEMDAN 二次分解,CNN-Transformer预测模型

基于麻雀优化算法SSA的预测模型——代码全家桶

创作时间: