效果视频链接:基于深度学习光伏预测系统(五个模型)哔哩哔哩bilibili
界面设计
编辑
注册界面编辑
登录界面
编辑
主界面
编辑
展示界面
编辑
编辑
编辑
编辑
1.数据集来源
这里分别保存了不同间隔采样时间表格
编辑
1min是以1min 间隔采集的数据集
数据集截图(开始位置截图)
编辑
截止位置截图
编辑
2.关于特征与标签选择(在交通流量预测方面主要有以下两种方式,本文是第二种)
2.1.第一种方式如下图所示
编辑
每一行前9列(黄色部分) 作为特征输入,每一行的第10列值作为标签(红色部分)
2.2.第二种方式如下图所示
编辑
前6行的10列数据(黄色部分)作为特征输入,第7行的第10列数据(红色部分)为标签。
根据已获取的历史数据预测下一个时间点或者未来多个时间点 更符合实际。
3.模型(LSTM;GRU;CNN-LSTM;CNN-GRU;LSTM_transform模型)评价指标
MAE;MSE;MAPE
LSTM 26.3020%; 0.5736% ;49.3607%
GRU 19.3869% ;0.1793%; 44.0200%
CNN-LSTM 16.0719% ;0.1367%; 39.5737%
CNN-GRU 17.2165%; 0.1541% ;41.5540%
LSTM_transform 15.9017%; 0.1385%; 39.7443%
4.效果图(测试集)
LSTM
编辑
GRU
编辑
CNN-LSTM
编辑
CNN-GRU
编辑
LSTM+transform
编辑
5. 对数据集和代码感兴趣的,可以关注最后一行
#