基于self-attention的LSTM时间序列预测Python程序_self attention 时间序列

 

基于self-attention的LSTM时间序列预测Python程序

 

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、LSTM-selfAttention模型背景简介

LSTM全名Long Short-Term Memory，是一种递归神经网络（RNN）。与标准RNN不同的是，LSTM可以避免由于长期依赖导致的梯度消失或梯度爆炸问题。它的主要结构分为四个部分：输入门（input gate）、输出门（output gate）、遗忘门（forget gate）和记忆单元（memory cell）。

而self-attention机制是一种能够在不增加网络参数的前提下，赋予模型对于每个序列元素不同的权重，从而使模型更加关注某些比较重要的的元素，同时削弱某些不重要的元素贡献。

因此，LSTM-selfAttention模型利用LSTM网络结合self-attention机制，来更好地处理时间序列数据，提高了模型的预测准确率。

2、LSTM-selfAttention模型优点总结

本模型的优点有：

• LSTM网络结构可以避免梯度消失或梯度爆炸问题，更适用于长期依赖关系的时间序列数据；
• self-attention机制能够更好地处理序列数据之间的关系，从而更好地为LSTM网络提供各个时间步不同的辅助信息，帮助提高预测准确率。

 

 

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