自拍偷在线精品自拍偷,亚洲欧美中文日韩v在线观看不卡

多步預(yù)測(cè)系列 | LSTM、CNN、Transformer、TCN、串行、并行模型集合

發(fā)布于 2024-5-11 11:15
瀏覽
0收藏

前言

本文基于前期介紹的電力變壓器，介紹一種基于CNN-LSTM網(wǎng)絡(luò)的多步預(yù)測(cè)模型。

1、電力變壓器數(shù)據(jù)預(yù)處理與可視化

1.1 導(dǎo)入數(shù)據(jù)

多步預(yù)測(cè)系列 | LSTM、CNN、Transformer、TCN、串行、并行模型集合-AI.x社區(qū)


1.2 多步預(yù)測(cè)預(yù)處理

多步預(yù)測(cè)系列 | LSTM、CNN、Transformer、TCN、串行、并行模型集合-AI.x社區(qū)


多步預(yù)測(cè)系列 | LSTM、CNN、Transformer、TCN、串行、并行模型集合-AI.x社區(qū)

2 、基于CNN-LSTM的多步預(yù)測(cè)模型


2.1 定義CNN-LSTM網(wǎng)絡(luò)模型


多步預(yù)測(cè)系列 | LSTM、CNN、Transformer、TCN、串行、并行模型集合-AI.x社區(qū)


2.2 設(shè)置參數(shù)，訓(xùn)練模型

多步預(yù)測(cè)系列 | LSTM、CNN、Transformer、TCN、串行、并行模型集合-AI.x社區(qū)

50個(gè)epoch，MSE 為0.000311，CNN-LSTM多步預(yù)測(cè)模型預(yù)測(cè)效果顯著，模型能夠充分提取序列的時(shí)空特征，收斂速度快，性能優(yōu)越，預(yù)測(cè)精度高，適當(dāng)調(diào)整模型參數(shù)，還可以進(jìn)一步提高模型預(yù)測(cè)表現(xiàn)。


注意調(diào)整參數(shù)：

  • 可以適當(dāng)增加CNN層數(shù)和每層通道數(shù)，微調(diào)學(xué)習(xí)率；
  • 調(diào)整LSTM層數(shù)和每層神經(jīng)元個(gè)數(shù)，增加更多的 epoch （注意防止過(guò)擬合）
  • 可以改變滑動(dòng)窗口長(zhǎng)度（設(shè)置合適的窗口長(zhǎng)度）

3 結(jié)果可視化和預(yù)測(cè)、模型評(píng)估


3.1 預(yù)測(cè)結(jié)果可視化

多步預(yù)測(cè)系列 | LSTM、CNN、Transformer、TCN、串行、并行模型集合-AI.x社區(qū)


3.2 加載模型進(jìn)行預(yù)測(cè)

多步預(yù)測(cè)系列 | LSTM、CNN、Transformer、TCN、串行、并行模型集合-AI.x社區(qū)


3.3 模型評(píng)估

多步預(yù)測(cè)系列 | LSTM、CNN、Transformer、TCN、串行、并行模型集合-AI.x社區(qū)

點(diǎn)擊下載：原文完整數(shù)據(jù)、Python代碼??https://mbd.pub/o/bread/ZpWYmJps???

本文轉(zhuǎn)載自??建模先鋒??，作者： 小蝸愛建模 

多步預(yù)測(cè)系列 | LSTM、CNN、Transformer、TCN、串行、并行模型集合-AI.x社區(qū)

標(biāo)簽
已于2024-5-11 11:28:14修改
贊
收藏
回復(fù)
舉報(bào)
回復(fù)
相關(guān)推薦