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)
多特征变量包括以下内容:
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)
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)
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)
包括 风速数据, 以及已经生成制作好的风速数据集、标签集,对应代码均可以运行
包括数据预处理的代码,和完整LSTM模型预测代码、可视化代码
环境:python 3.9
任何环境安装或者代码问题,请联系作者沟通交流,对于购买者,作者免费解决调试问题,关注微信公众号[建模先锋],联系作者;
本文基于前期介绍的风速数据( 文末附数据集 ),介绍一种多特征变量序列预测模型-LSTM,以提高时间序列数据的预测性能。该数据集一共有天气、温度、湿度、气压、风速等九个变量,通过滑动窗口制作数据集,利用多变量来预测风速。
1 多特征变量数据集制作与预处理
1.1 导入数据
1.2 数据集制作与预处理
先划分数据集,按照9:1划分训练集和测试集
制作数据集

2 基于Pytorch的 LSTM 预测模型
2.1 定义LSTM预测模型

2.2 设置参数,训练模型

50个epoch,MSE 为0.000815,多变量特征LSTM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LSTM层数和隐藏层的维度,微调学习率;
- 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 模型评估与可视化
3.1 结果可视化

3.2 模型评估
