模型整體介紹：

1. 時(shí)空卷積網(wǎng)絡(luò)（TCN）：

TCN是一種卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，用于捕捉時(shí)序數(shù)據(jù)中的時(shí)序關(guān)系。它由一系列的1D卷積層組成，每個(gè)卷積層都具有相同的卷積核大小和步長(zhǎng)。TCN中的殘差連接（Residual Connections）和空洞卷積（Dilated Convolutions）用于增加網(wǎng)絡(luò)的感受野，以便更好地捕捉時(shí)序數(shù)據(jù)中的長(zhǎng)期依賴關(guān)系。TCN可以同時(shí)處理多個(gè)時(shí)間步的輸入，這使得模型能夠在多個(gè)時(shí)間步上進(jìn)行并行預(yù)測(cè)。

2.短期和長(zhǎng)期依賴關(guān)系的捕捉：

• TCN：通過(guò)卷積操作，能夠有效捕捉時(shí)間序列中的短期依賴關(guān)系，同時(shí)由于其因果卷積和擴(kuò)展卷積，能夠處理較長(zhǎng)的序列依賴關(guān)系。
• BiLSTM：雙向 LSTM 能夠同時(shí)處理序列的前向和后向信息，捕捉序列中的長(zhǎng)期和雙向依賴關(guān)系。
• 并行計(jì)算：TCN：卷積操作可以并行處理，相較于 RNN 的串行計(jì)算，TCN 在處理長(zhǎng)序列時(shí)具有計(jì)算效率上的優(yōu)勢(shì)。

3.信息選擇和權(quán)重分配：

Attention 機(jī)制：通過(guò)注意力機(jī)制，模型能夠?yàn)檩斎胄蛄兄械牟煌糠址峙洳煌臋?quán)重，從而更好地關(guān)注對(duì)預(yù)測(cè)結(jié)果有重要貢獻(xiàn)的時(shí)間步。這有助于提高模型的預(yù)測(cè)精度和解釋性。

4.穩(wěn)定性和長(zhǎng)序列處理能力：

TCN：由于使用了殘差連接和擴(kuò)展卷積，TCN 在處理長(zhǎng)序列時(shí)更穩(wěn)定，能夠避免梯度消失和梯度爆炸問(wèn)題。結(jié)合了 TCN、BiLSTM 和 Attention 的模型具有強(qiáng)大的表達(dá)能力，能夠處理復(fù)雜的時(shí)間序列數(shù)據(jù)，并且提高預(yù)測(cè)的準(zhǔn)確性和魯棒性。

配有代碼、文件介紹：

模型介紹和調(diào)參教程：

導(dǎo)入數(shù)據(jù)

1、單變量單步預(yù)測(cè)任務(wù)

1.1 任務(wù)描述

單變量單步預(yù)測(cè)，就是只有（用）一個(gè)變量 ，用已有的數(shù)據(jù)去預(yù)測(cè)未來(lái)的數(shù)據(jù)，每次預(yù)測(cè)一步

• 輸入訓(xùn)練集  變量：變量var-OT
• 對(duì)應(yīng)y值標(biāo)簽為： 變量var-OT

1.2 單變量單步預(yù)測(cè)預(yù)處理

1.3 模型定義-基于TCN-BiLSTM-Attention的單變量單步預(yù)測(cè)

1.4 設(shè)置參數(shù)，訓(xùn)練模型

1.5 預(yù)測(cè)結(jié)果可視化

1.6 模型評(píng)估

1.7 加載模型進(jìn)行預(yù)測(cè)

2、單變量多步預(yù)測(cè)任務(wù)

2.1 任務(wù)描述

單變量多步預(yù)測(cè)，就是只有（用）一個(gè)變量 ，用已有的數(shù)據(jù)去預(yù)測(cè)未來(lái)的數(shù)據(jù)，每次預(yù)測(cè)多步

• 輸入數(shù)據(jù)的形狀應(yīng)該是 (batch_size, window_size, input_dim)
• 輸出數(shù)據(jù)的形狀應(yīng)該是 (batch_size, num_steps, output_dim)

解釋：

• batch_size就是批次
• input_dim 和 output_dim 就是對(duì)應(yīng)輸入維度，和輸出維度（如果單變量預(yù)測(cè)任務(wù)的話，就是輸入輸出都為1維）
• window_size 就是輸入樣本序列的長(zhǎng)度
• num_steps 是需要預(yù)測(cè)的步長(zhǎng)（比如：用過(guò)去 12 個(gè)步長(zhǎng) ，預(yù)測(cè)未來(lái) 3 個(gè)步長(zhǎng)）

2.2 單變量多步預(yù)測(cè)預(yù)處理

2.3 模型定義-基于TCN-BiLSTM-Attention的單變量多步預(yù)測(cè)

2.4 設(shè)置參數(shù)，訓(xùn)練模型

2.5 預(yù)測(cè)結(jié)果可視化

每步預(yù)測(cè)單獨(dú)可視化：

2.6 模型評(píng)估

2.7 加載模型進(jìn)行預(yù)測(cè)

3、多變量單步預(yù)測(cè)任務(wù)

3.1 任務(wù)描述

多變量單步預(yù)測(cè)，就是有（用）多個(gè)變量的數(shù)據(jù)去預(yù)測(cè)某個(gè)目標(biāo)變量未來(lái)的數(shù)據(jù)，每次預(yù)測(cè)一步；

• 輸入訓(xùn)練集  變量：所有特征變量（多個(gè)）
• 對(duì)應(yīng)y值標(biāo)簽為：  目標(biāo)變量var-OT

3.2 單變量單步預(yù)測(cè)預(yù)處理

3.3 模型定義、訓(xùn)練過(guò)程、評(píng)估、可視化、向外預(yù)測(cè)不再贅述

多變量單步預(yù)測(cè)效果明顯優(yōu)于單變量單步預(yù)測(cè)效果，考慮到其他特征帶來(lái)對(duì)目標(biāo)變量預(yù)測(cè)更多的信息，其預(yù)測(cè)性能更顯著！

4、多變量多步預(yù)測(cè)任務(wù)

4.1 任務(wù)描述

多變量多步預(yù)測(cè)，就是有（用）多個(gè)變量的數(shù)據(jù)去預(yù)測(cè)某個(gè)目標(biāo)變量未來(lái)的數(shù)據(jù)，每次預(yù)測(cè)多步

• 輸入數(shù)據(jù)的形狀應(yīng)該是 (batch_size, window_size, input_dim)
• 輸出數(shù)據(jù)的形狀應(yīng)該是 (batch_size, num_steps, output_dim)

解釋：

• batch_size就是批次
• input_dim 和 output_dim 就是對(duì)應(yīng)輸入維度，和輸出維度（如果多變量預(yù)測(cè)任務(wù)的話，就是輸入多維，輸出為1維）
• window_size 就是輸入樣本序列的長(zhǎng)度
• num_steps 是需要預(yù)測(cè)的步長(zhǎng)（比如：用過(guò)去 12 個(gè)步長(zhǎng) ，預(yù)測(cè)未來(lái) 3 個(gè)步長(zhǎng)）

4.2 多變量多步預(yù)測(cè)預(yù)處理

4.3 模型定義、訓(xùn)練過(guò)程、評(píng)估、可視化、向外預(yù)測(cè)不再贅述

點(diǎn)擊下載：原文完整數(shù)據(jù)、Python代碼?

???https://mbd.pub/o/bread/ZpaWkp5q????

本文轉(zhuǎn)載自??建模先鋒??，作者：小蝸愛(ài)建模 ????