​

 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

详细链接：https://blog.csdn.net/qq40840797/article/details/138295714?csdnshare_tail=%7B%22type%22%3A%22blog%22%2C%22rType%22%3A%22article%22%2C%22rId%22%3A%22138295714%22%2C%22source%22%3A%22qq_40840797%22%7D



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

The SOLETE dataset

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

#

​