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
TCN 预测模型, 有着更小的MSE, MAE，效果特别明显，提升显著！！
包括数据预处理的代码，和完整 TCN模型预测代码、可视化代码
环境：python 3.9 Pytorch 1.8 以上
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；
前言
本文基于前期介绍的风速数据（ 文末附数据集 ），介绍一种基于TCN网络模型的多特征变量序列预测模型，以提高时间序列数据的预测性能。
模型整体结构：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。 通过TCN预测模型进提取特征后，再送入全连接层，实现高精度的预测模型。
风速数据集的详细介绍可以参考下文：
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TCN 预测模型
2.1 定义TCN预测模型
注意：输入风速数据形状为 [32, 7, 8]， batch_size=32，7代表序列长度（滑动窗口取值）, 维度8维代表挑选的8个变量的维度。
2.2 设置参数，训练模型
50个epoch，MSE 为0.00183，多变量特征TCN预测效果良好，性能优越，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
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（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(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
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(九)基于麻雀优化算法的CEEMDAN-SSA-BiGRU-Attention预测模型
多特征变量序列预测(10)基于麻雀优化算法的CEEMDAN-SSA-Transformer-BiLSTM预测模型
VMD + CEEMDAN 二次分解，BiLSTM-Attention预测模型