基于self-attention的TCN-GRU时间序列预测Python程序

基于self-attention的TCN-GRU时间序列预测Python程序

 

 

基于self-attention的TCN-GRU预测模型

 

特色：1、单变量，多变量输入，自由切换 

           2、单步预测，多步预测，自动切换

           3、基于Pytorch架构

           4、多个评估指标（MAE,MSE,R2,MAPE等）

           5、数据从excel文件中读取，更换简单

           6、标准框架，数据分为训练集、验证集，测试集

 

全部完整的代码，保证可以运行的代码看这里。

http://t.csdnimg.cn/El450

 

  ！！！如果第一个链接打不开，请点击个人首页，查看我的个人介绍。

（搜索到的产品后，点头像，就能看到全部代码）

黑科技小土豆的博客_CSDN博客-深度学习,32单片机领域博主

 

 

 

1、基于self-attention的TCN-GRU模型背景简介

基于self-attention的TCN-GRU模型是一种结合TCN卷积神经网络、GRU门控循环神经网络和self-attention机制的预测模型。该模型基于TCN模型对时间序列特征的高效学习和GRU模型对序列数据快速的建模能力，并引入self-attention机制来更好地利用序列数据的全局相关性信息。

在该模型中，TCN被用来学习时间序列数据中的局部区域特征，而GRU则被用来处理时间序列数据中的长期相关性，并利用self-attention机制提高时间序列数据中全局相关性信息的利用率。通过这种结构的设计，模型能够更好地建模时间序列数据中的相关性，并在预测中发挥更好的性能。

2、基于self-attention的TCN-GRU模型优点总结

本模型的优点有：

• 采用TCN卷积神经网络学习时间序列数据中的局部区域特征，实现高效学习；
• 在GRU门控循环神经网络中处理时间序列数据中的长期相关性和序列数据快速建模能力；
• 引入self-attention机制来提高全局相关性信息的利用率，更好地建模时间序列数据中的相关性；
• 通过将TCN和GRU结合起来，模型能够更好地学习时间序列数据中的特征，提高预测的准确度。

 

 

 

 

train_ratio = 0.7  # 训练集比例
val_ratio = 0.15  # 验证集比例
test_ratio = 0.15  # 测试集比例
input_length = 48  # 输入数据长度，多步预测建议长，单步预测建议短
output_length = 1  # 输出数据长度，1为单步预测，1以上为多步预测 请注意，随着输出长度的增长，模型训练时间呈指数级增长
learning_rate = 0.1  # 学习率
estimators = 100  # 迭代次数
max_depth = 5  # 树模型的最大深度
interval_length = 2000  # 预测数据长度，最长不可以超过总数据条数
scalar = True  # 是否使用归一化
scalar_contain_labels = True  # 归一化过程是否包含目标值的历史数据
target_value = 'load'  # 需要预测的列名，可以在excel中查看