SO-BiTCN-BiGRU-Attention多输入单输出回归预测

项目源码获取方式见文章末尾！ 600多个深度学习项目资料，快来加入社群一起学习吧。

《------往期经典推荐------》

项目名称
1.【基于CNN-RNN的影像报告生成】
2.【卫星图像道路检测DeepLabV3Plus模型】
3.【GAN模型实现二次元头像生成】
4.【CNN模型实现mnist手写数字识别】
5.【fasterRCNN模型实现飞机类目标检测】
6.【CNN-LSTM住宅用电量预测】
7.【VGG16模型实现新冠肺炎图片多分类】
8.【AlexNet模型实现鸟类识别】
9.【DIN模型实现推荐算法】
10.【FiBiNET模型实现推荐算法】
11.【钢板表面缺陷检测基于HRNET模型】
…

代码说明

1. 数据读取与预处理：

   1. load_data 函数从 CSV 文件读取数据，如果文件不存在则生成并保存。
   2. 使用 MinMaxScaler 对数据进行归一化处理。
   3. create_dataset 函数根据设定的 look_back 值创建时间窗口数据集，用于多步预测。

2. 模型构建：

   1. 自定义 AttentionLayer 实现注意力机制，用于增强模型对关键时间步的关注。

   2. build_model 函数构建包含 SO-BiTCN、BiGRU 和 Attention 的深度学习模型。具体结构如下：

      • SO-BiTCN：使用多个 Conv1D 层模拟 TCN 的特性。
      • BiGRU：使用双向 GRU 层捕捉时间序列的双向依赖关系。
      • Attention：应用自定义的注意力层，以增强模型对重要时间步的关注。
      • 最后通过全连接层输出预测结果。

3. 模型训练与预测：

   1. 使用 EarlyStopping 监控验证损失，防止过拟合。
   2. 训练过程中记录训练和验证损失，以便后续可视化。
   3. 训练完成后，对训练集和测试集进行预测，并进行反归一化处理。

4. 评估与可视化：

   1. evaluate_metrics 函数计算均方误差（MSE）、均方根误差（RMSE）和平均绝对误差（MAE）等评估指标。

   2. plot_results 函数生成以下图表并保存为 PNG 文件：

      • 预测效果图：展示真实值与预测值的对比。
      • 训练过程图：展示训练和验证损失随训练轮次的变化。
      • 相关分析图：展示预测值与真实值的散点图及其相关系数。

运行说明

1. 保存代码：将上述代码保存为 so_bitcn_bigru_attention_fixed.py。

2. 安装依赖库： 确保安装了必要的Python库：

3. pip install numpy pandas matplotlib scikit-learn tensorflow

4. 运行代码：在终端或命令行中运行以下命令：

5. python so_bitcn_bigru_attention_fixed.py

6. 输出结果：

   1. 数据文件：multivariate_time_series.csv 包含模拟的多变量时间序列数据。

   2. 评估指标：终端会打印训练集和测试集的 MSE、RMSE 和 MAE。

   3. 可视化图表：

      • SO-BiTCN-BiGRU-Attention_prediction.png：预测效果图。
      • SO-BiTCN-BiGRU-Attention_training_history.png：训练过程图。
      • SO-BiTCN-BiGRU-Attention_correlation.png：相关分析图。

原文地址：https://blog.csdn.net/2401_87275147/article/details/143747802

免责声明：本站文章内容转载自网络资源，如本站内容侵犯了原著者的合法权益，可联系本站删除。更多内容请关注自学内容网（zxcms.com）！