基于TCN-BiLSTM-Attention模型的不同任务预测详解，探索同一个模型和数据集，在四种不同任务上的表现
● 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（也适合初学者，学习不同任务的处理方式）
● 代码保证：代码注释详细、即拿即可跑通。
● 输出结果：训练过程MSE损失曲线图、测试集模型分数-MAE-MSE-RMSE报告、预测可视化、向外预测（预测未来数据）
● 代码信息：价格实惠（99）https://mbd.pub/o/bread/ZpWYmJps，或者点击文末阅读原文 获取代码
包括完整流程数据代码处理：
单步-多步、单变量-多变量预测数据集制作、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
模型整体介绍：
1. 时空卷积网络（TCN）：
TCN是一种卷积神经网络结构，用于捕捉时序数据中的时序关系。它由一系列的1D卷积层组成，每个卷积层都具有相同的卷积核大小和步长。 TCN中的残差连接（Residual Connections）和空洞卷积（Dilated Convolutions）用于增加网络的感受野，以便更好地捕捉时序数据中的长期依赖关系。 TCN可以同时处理多个时间步的输入，这使得模型能够在多个时间步上进行并行预测。
2.短期和长期依赖关系的捕捉：
- TCN：通过卷积操作，能够有效捕捉时间序列中的短期依赖关系，同时由于其因果卷积和扩展卷积，能够处理较长的序列依赖关系。
- BiLSTM：双向 LSTM 能够同时处理序列的前向和后向信息，捕捉序列中的长期和双向依赖关系。
- 并行计算：TCN：卷积操作可以并行处理，相较于 RNN 的串行计算，TCN 在处理长序列时具有计算效率上的优势。
-
3.信息选择和权重分配：
Attention 机制：通过注意力机制，模型能够为输入序列中的不同部分分配不同的权重，从而更好地关注对预测结果有重要贡献的时间步。这有助于提高模型的预测精度和解释性。
4.稳定性和长序列处理能力：
TCN：由于使用了残差连接和扩展卷积，TCN 在处理长序列时更稳定，能够避免梯度消失和梯度爆炸问题。结合了 TCN、BiLSTM 和 Attention 的模型具有强大的表达能力，能够处理复杂的时间序列数据，并且提高预测的准确性和鲁棒性。
配有代码、文件介绍：
模型介绍和调参教程：
电力变压器数据集的详细介绍可以参考下文：
1.1 导入数据
1 单变量单步预测任务
1.1 任务描述
单变量单步预测，就是只有（用）一个变量 ，用已有的数据去预测未来的数据，每次预测一步
- 输入训练集 变量：变量var-OT
- 对应y值标签为： 变量var-OT
1.2 单变量单步预测预处理
1.3 模型定义-基于TCN-BiLSTM-Attention的单变量单步预测
1.4 设置参数，训练模型
1.5 预测结果可视化
1.6 模型评估
1.7 加载模型进行预测
2 单变量多步预测任务
2.1 任务描述
单变量多步预测，就是只有（用）一个变量 ，用已有的数据去预测未来的数据，每次预测多步
- 输入数据的形状应该是 (batch_size, window_size, input_dim)
- 输出数据的形状应该是 (batch_size, num_steps, output_dim)
解释：
- batch_size就是批次
- input_dim 和 output_dim 就是对应输入维度，和输出维度（ 如果单变量预测任务的话，就是输入输出都为1维）
- window_size 就是输入样本序列的长度
- num_steps 是需要预测的步长（ 比如：用过去 12 个步长 ，预测未来 3 个步长）
2.2 单变量多步预测预处理
2.3 模型定义-基于TCN-BiLSTM-Attention的单变量多步预测
2.4 设置参数，训练模型
2.5 预测结果可视化
每步预测单独可视化：
2.6 模型评估
2.7 加载模型进行预测
3 多变量单步预测任务
3.1 任务描述
多变量单步预测，就是有（用）多个变量的数据去预测某个目标变量未来的数据，每次预测一步
- 输入训练集 变量：所有特征变量（多个）
- 对应y值标签为： 目标变量var-OT
3.2 单变量单步预测预处理
3.3 模型定义、训练过程、评估、可视化、向外预测不再赘述
多变量单步预测效果明显优于单变量单步预测效果，考虑到其他特征带来对目标变量预测更多的信息，其预测性能更显著！
任务
4.1 任务描述
多变量多步预测，就是有（用）多个变量的数据去预测某个目标变量未来的数据，每次预测多步
- 输入数据的形状应该是 (batch_size, window_size, input_dim)
- 输出数据的形状应该是 (batch_size, num_steps, output_dim)
解释：
- batch_size就是批次
- input_dim 和 output_dim 就是对应输入维度，和输出维度（ 如果多变量预测任务的话，就是输入多维，输出为1维）
- window_size 就是输入样本序列的长度
- num_steps 是需要预测的步长（ 比如：用过去 12 个步长 ，预测未来 3 个步长）
4.2 多变量多步预测预处理
4.3 模型定义、训练过程、评估、可视化、向外预测不再赘述
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