此代码已经继续加入 多步预测 全家桶:多步预测全家桶 (mbd.pub)
全家桶包括以下内容:
5.基于CNN-LSTM网络的多步预测模型 (mbd.pub)
6.Transformer多步预测模型(多特征) (mbd.pub)
7.LSTM-Attention多步预测模型 (mbd.pub)
8.CNN-Transformer多步预测模型 (mbd.pub)
9.CEEMDAN-CNN-BiLSTM多步预测模型 (mbd.pub)
● 环境框架:python 3.9 pytorch 1.8 及其以上版本均可运行
● 使用对象:论文需求、毕业设计需求者
● 代码保证:代码注释详细、即拿即可跑通。
包括完整流程数据代码处理:
多步预测数据集制作、数据加载、模型定义、参数设置、模型训练、模型测试、预测可视化、多步预测、模型评估
配有代码、文件介绍:
前言
本文基于前期介绍的电力变压器( 文末附数据集 ),介绍一种基于CEEMDAN-CNN-BiLSTM网络的多特征、多步预测模型。
电力变压器数据集的详细介绍可以参考下文:
1 电力变压器数据预处理与可视化
1.1 导入数据
1.2 CEEMDAN 分解
1.3 多步预测预处理
2 基于CEEMDAN-CNN-BiLSTM的多变量多步预测模型
2.1 定义CEEMDAN-CNN-BiLSTM 网络模型
2.2 设置参数,训练模型
50个epoch,MSE 为0.000263,CEEMDAN-CNN-BiLSTM多步预测模型预测效果显著, 模型能够充分提取序列的时空特征,收敛速度快,性能优越,预测 精度高,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CNN层数和每层通道数;
- 改变BiLSTM层数和每层的神经元个数,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)
3 结果可视化和预测、模型评估
3.1 预测结果可视化
3.2 加载模型进行 预测
3.3 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(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
VMD + CEEMDAN 二次分解,Transformer-BiGRU预测模型
END
1. 版权声明:原创不易,转载请注明转自微信公众号[建模先锋]
2. 喜欢的朋友可以点个关注,给文章点个“在看”,分享朋友圈或讨论群
3. 关注微信公众[建模先锋], 回复”变压器“免费获取变压器数据集