創(chuàng)新點(diǎn)：

1.利用 Transformer 來提取序列中的長期依賴關(guān)系的時序特征，采用并行結(jié)構(gòu)，加快模型的訓(xùn)練和推理速度，提高模型對關(guān)鍵信息的感知能力；

2.通過雙向門控循環(huán)單元（BiGRU）同時從前向和后向?qū)π蛄羞M(jìn)行建模，以更好地捕獲序列中的依賴關(guān)系，同時應(yīng)用全局注意力機(jī)制GlobalAttention，對BiGRU的輸出進(jìn)行加權(quán)處理，使模型能夠聚焦于序列中最重要的部分，提高預(yù)測性能；

3.利用交叉注意力進(jìn)行并行網(wǎng)絡(luò)時空特征的融合，這樣可以同時考慮時序關(guān)系和位置關(guān)系，從而更好地捕捉時空序列數(shù)據(jù)中的特征，增強(qiáng)特征的表示能力來實(shí)現(xiàn)高精度的預(yù)測。

在多個數(shù)據(jù)集上表現(xiàn)出高精度的預(yù)測性能！

模型訓(xùn)練可視化圖：

多特征貢獻(xiàn)度可視化分析圖：

此分析代碼是我們團(tuán)隊(duì)原創(chuàng)，如何利用 深度學(xué)習(xí) 訓(xùn)練好的模型 在對多特征預(yù)測任務(wù) 中進(jìn)行特征重要性（貢獻(xiàn)度）可視化?。ㄒ部梢杂糜谄渌疃葘W(xué)習(xí)模型做特征重要性可視化，代碼適用性高）

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Transformer-BiGRUGlobalAttention-CrossAttention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(xì)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，多特征變量時間序列數(shù)據(jù)先經(jīng)過基于多頭注意的Transformer編碼器層提取長期依賴特征，同時數(shù)據(jù)通過基于GlobalAttention優(yōu)化的BiGRU網(wǎng)絡(luò)提取全局時序特征，使用交叉注意力機(jī)制進(jìn)行特征融合，通過計(jì)算注意力權(quán)重，使得模型更關(guān)注重要的特征再進(jìn)行特征增強(qiáng)融合，最后經(jīng)過全連接層進(jìn)行高精度預(yù)測。

分支一：通過基于多頭注意的Transformer編碼器層模型，Transformer是一種基于自注意力機(jī)制的序列建模方法，通過注意力機(jī)制來建模序列中不同位置之間的依賴關(guān)系，能夠捕捉序列中的全局上下文信息。Transformer是一種基于自注意力機(jī)制的序列建模方法，通過注意力機(jī)制來建模序列中不同位置之間的依賴關(guān)系，能夠捕捉序列中的全局上下文信息。

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(qiáng)模型對輸入序列不同部分的關(guān)注程度的機(jī)制。在 BiGRU 模型中，全局注意力機(jī)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(jī)制計(jì)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(jìn)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；

并行預(yù)測：模型采用并行結(jié)構(gòu)，能夠同時預(yù)測多個時間步的目標(biāo)。并行預(yù)測可以加快模型的訓(xùn)練和推理速度，并且能夠充分利用時序數(shù)據(jù)中的信息，提高預(yù)測性能。

交叉注意力機(jī)制特征融合：使用交叉注意力機(jī)制融空間和時序特征，可以通過計(jì)算注意力權(quán)重，學(xué)習(xí)時空特征中不同位置之間的相關(guān)性，可以更好地捕捉時空序列數(shù)據(jù)中的特征，提高模型性能和泛化能力。

全局注意力機(jī)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(biāo)簽

3 交叉注意力機(jī)制

3.1 Cross attention概念

• Transformer架構(gòu)中混合兩種不同嵌入序列的注意機(jī)制
• 兩個序列必須具有相同的維度
• 兩個序列可以是不同的模式形態(tài)（如：文本、聲音、圖像）
• 一個序列作為輸入的Q，定義了輸出的序列長度，另一個序列提供輸入的K&V

3.2 Cross-attention算法 

• 擁有兩個序列S1、S2
• 計(jì)算S1的K、V
• 計(jì)算S2的Q
• 根據(jù)K和Q計(jì)算注意力矩陣
• 將V應(yīng)用于注意力矩陣
• 輸出的序列長度與S2一致

在融合過程中，我們將經(jīng)過Transformer的時序特征作為查詢序列，GlobalAttention優(yōu)化的BiGRU提取的全局空間特征作為鍵值對序列。通過計(jì)算查詢序列與鍵值對序列之間的注意力權(quán)重，我們可以對不同特征之間的關(guān)聯(lián)程度進(jìn)行建模。

4 基于多級注意力機(jī)制的并行高精度預(yù)測模型

4.1 定義網(wǎng)絡(luò)模型

注意：輸入數(shù)據(jù)形狀為 [64, 7, 7]， batch_size=64，7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。

4.2 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Transformer-BiGRUGlobalAttention-CrossAttention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Transformer編碼器層數(shù)和隱藏層的維度、多頭注意力頭數(shù)，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）

5 模型評估與可視化

5.1 結(jié)果可視化

5.2 模型評估

5.3 特征可視化

點(diǎn)擊下載：原文完整數(shù)據(jù)、Python代碼

??https://mbd.pub/o/bread/ZpWTl51w??

本文轉(zhuǎn)載自??  建模先鋒??，作者：小蝸愛建模