热点创新 | 基于 KANConv-GRU并行的多步预测模型

作品简介

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:全网最低价,性价比极高!!!

购买全家桶更划算!!!!

1.LSTM多步预测模型 (mbd.pub)

2.基于CNN1d的多步预测模型 (mbd.pub)

3.基于 TCN 网络的多步预测模型 (mbd.pub)

4.Transformer多步预测模型 (mbd.pub)

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)

10.多步预测模型大更新-数据 (mbd.pub)

11.多步预测更新 | 基于Transformer的组合预测模型 (mbd.pub)

12. 粉丝福利 | 再添 Seq2Seq 多步预测模型 (mbd.pub)

导读.png

多步预测全家桶重大更新!!!

本期我们继续更新多步预测全家桶,把 KAN 和 CKAN ( Convolutional Kolmogorov-Arnold Network ) 应用到多步预测模型里面,我们新增了关于KAN、KANConv、CNN-KAN、LSTM-KAN、TCN-KAN、Transformer-KAN、GRU-KAN、CNN-LSTM-KAN、KANConv-GRU并行等预测模型 ,实 现了高精度的预测。帮助大家把握热点,早日发文!

面包多.png


● 环境框架:python 3.9  pytorch 1.8 及其以上版本均可运行

● 配套文件:详细的环境配置安装教程,模型、参数讲解文档

● 价格:全家桶已新增到40个模型,139.8(高性价比)

● 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、模型评估


 基于 KAN、KAN卷积的多步预测模型

研究者将 KAN 创新架构的理念扩展到卷积神经网络,将卷积的经典线性变换更改为每个像素中可学习的非线性激活函数,提出并开源 KAN 卷积(CKAN)。 KAN 卷积与卷积非常相似,但不是在内核和图像中相应像素之间应用点积,而是对每个元素应用可学习的非线性激活函数,然后将它们相加。

预测对比.png

由对比试验可以看出来,KAN 卷积以非常小的参数量实现了一定的预测效果,在后续的轻量级预测网络模型中有一定的研究价值! KAN网络在作为最后的线性层进行替代时,表示 出良好的性能。


 相关创新模型可视化展示 


CNN-KAN模型.png


cnn-lstm-kan预测.png


更新介绍:

kan 合集.png

全网最低价,入门多步预测最佳教程,高性价比、高质量代码,大家可以了解一下:(所有全家桶模型会不断加入新的模型进行更新!后续会逐渐提高价格,越早购买性价比越高!!!一次购买,享受永久免费更新福利!

https://mbd.pub/o/bread/ZpWYmJps


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KANConv-GRU并行网络的多步预测模型。 电力变压器数据集的详细介绍可以参考下文:

电力变压器数据集介绍和预处理


1 电力变压器数据预处理与可视化

1.1 导入数据

图片


1.2 多步预测预处理

数据集制作.png

2 基于KANConv-GRU的多步预测模型


2.1 定义KANConv-GRU网络模型

模型结构.png


2.2  设置参数,训练模型

训练过程.png

50个epoch,MSE 为0.0211,KANConv-GRU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,表示出良好的性能。


3 结果可视化和模型评估


3.1 预测结果可视化

KANConv-GRU 模型.png


3.2 模型评估

模型评估.png


有建模需求或论文指导的朋友请关注公众号,联系博主

点击下载:原文完整数据、Python代码

https://mbd.pub/o/bread/ZpqTmpht

面包多.png


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(一)数据集介绍和预处理

风速预测(二)基于Pytorch的EMD-LSTM模型

风速预测(三)EMD-LSTM-Attention模型

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(一)——CNN-LSTM风速预测模型

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

超强预测模型:二次分解-组合预测

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

基于麻雀优化算法SSA的预测模型——代码全家桶

电力变压器数据集介绍和预处理

独家原创 | SCI 1区 高创新预测模型!


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

创作时间: