基于TCN- LSTM时间序列预测Python程序_lstm-tcn

基于TCN- 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、背景简介： 基于TCN-LSTM模型相当于将TCN（Temporal Convolutional Networks）和LSTM（Long-Short Term Memory）这两种不同的结构进行了结合，这种结合可以兼顾到两种结构的优点，进而提高时间序列预测的准确性。TCN结构是一种类似CNN卷积神经网络的结构，但其中的卷积层是可重用的模块，并且可以使用残差网络技术解决训练困难的问题。LSTM是一种递归神经网络结构，它可以处理时间序列的长期依赖性问题，可以通过循环神经网络中的环节来处理滞后问题。

2、优点总结：

• TCN-LSTM模型可以较好地处理多维输入问题，进而能够更好地解决相关的时间序列预测任务；
• 这种模型采用了LSTM结构，可以处理时间序列的长期依赖性问题；
• 同时，这种模型还采用了TCN结构，在模型深度和广度方面都有很大的提升，可以提高预测的精度；
• 在模型训练过程中，残差网络技术被应用于模型的设计，有效地解决了训练困难的问题。

 

 

 

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