前言

本文基于前期介紹的電力變壓器（文末附數(shù)據(jù)集），介紹一種基于TCN-SENet  +BiGRU-GlobalAttention并行預(yù)測模型，以提高時間序列數(shù)據(jù)的預(yù)測性能。電力變壓器數(shù)據(jù)集的詳細介紹可以參考下文：

??電力變壓器數(shù)據(jù)集介紹和預(yù)處理??

1 模型整體結(jié)構(gòu)

模型整體結(jié)構(gòu)如下所示:

分支一：通過基于通道注意力機制(SENet)的TCN模型網(wǎng)絡(luò)，來自適應(yīng)地調(diào)整通道特征的權(quán)重，使模型能夠自動學(xué)習(xí)到不同通道的重要性，提取了多特征序列中與預(yù)測目標相關(guān)的重要空間特征；

分支二：多特征序列數(shù)據(jù)同時通過基于GlobalAttention優(yōu)化的BiGRU網(wǎng)絡(luò),GlobalAttention是一種用于加強模型對輸入序列不同部分的關(guān)注程度的機制。在 BiGRU 模型中，全局注意力機制可以幫助模型更好地聚焦于輸入序列中最相關(guān)的部分，從而提高模型的性能和泛化能力。在每個時間步，全局注意力機制計算一個權(quán)重向量，表示模型對輸入序列各個部分的關(guān)注程度，然后將這些權(quán)重應(yīng)用于 BiGRU 輸出的特征表示，通過對所有位置的特征進行加權(quán)，使模型能夠更有針對性地關(guān)注重要的時域特征, 提高了模型對多特征序列時域特征的感知能力；

特征融合：然后兩個分支提取的空間特征和全局時域特征通過堆疊融合，使模型能夠更好地融合不同層次的特征表示，提高模型性能和泛化能力。

通道注意力機制

Squeeze-and-Excitation Networks

全局注意力機制：Global Attention Mechanism

2 多特征變量數(shù)據(jù)集制作與預(yù)處理

2.1 導(dǎo)入數(shù)據(jù)

2.2 制作數(shù)據(jù)集

制作數(shù)據(jù)集與分類標簽

3 基于TCN-SENet  +BiGRU-GlobalAttention并行的高精度預(yù)測模型

3.1 定義網(wǎng)絡(luò)模型

注意：輸入數(shù)據(jù)形狀為 [64, 7, 7]， batch_size=32，7代表序列長度（滑動窗口取值）,  維度7維代表7個變量的維度。

3.2 設(shè)置參數(shù)，訓(xùn)練模型

50個epoch，訓(xùn)練誤差極小，多變量特征序列TCN-SENet  +BiGRU-GlobalAttention并行融合網(wǎng)絡(luò)模型預(yù)測效果顯著，模型能夠充分提取時間序列的空間特征和時序特征，收斂速度快，性能優(yōu)越，預(yù)測精度高，能夠從序列時空特征中提取出對模型預(yù)測重要的特征，效果明顯！

注意調(diào)整參數(shù)：

• 可以適當(dāng)增加TCN層數(shù)和隱藏層的維度，微調(diào)學(xué)習(xí)率；
• 調(diào)整BiGRU層數(shù)和每層神經(jīng)元個數(shù)，增加更多的 epoch （注意防止過擬合）
• 可以改變滑動窗口長度（設(shè)置合適的窗口長度）

4 模型評估與可視化

4.1 結(jié)果可視化

4.2 模型評估

4.3 特征可視化

點擊下載：原文完整數(shù)據(jù)、Python代碼

???https://mbd.pub/o/bread/ZZ6UlJxv????

本文轉(zhuǎn)載自 ??建模先鋒??，作者： 小蝸愛建模