网站建设证据保全,手机设计,wordpress如何设置logo,app推广运营是做什么的目录
前言
1 风速数据EMD分解与可视化
1.1 导入数据
1.2 EMD分解
2 数据集制作与预处理
2.1 先划分数据集#xff0c;按照8#xff1a;2划分训练集和测试集
2.2 设置滑动窗口大小为96#xff0c;制作数据集
3 基于Pytorch的EMD-CNN-GRU并行模型预测
3.1 数据加载按照82划分训练集和测试集
2.2 设置滑动窗口大小为96制作数据集
3 基于Pytorch的EMD-CNN-GRU并行模型预测
3.1 数据加载训练数据、测试数据分组数据分batch
3.2 定义EMD-CNN-GRU并行预测模型
3.3 定义模型参数
3.4 模型训练
3.5 结果可视化 往期精彩内容
风速预测一数据集介绍和预处理-CSDN博客
风速预测二基于Pytorch的EMD-LSTM模型-CSDN博客
风速预测三EMD-LSTM-Attention模型-CSDN博客
风速预测四基于Pytorch的EMD-Transformer模型-CSDN博客
风速预测五基于Pytorch的EMD-CNN-LSTM模型-CSDN博客
前言
LSTFLong Sequence Time-Series Forecasting问题是指在时间序列预测中需要处理长序列的情况。在实际应用中时间序列可能会包含非常大量的数据点在这种情况下传统的时间序列预测模型可能会遇到一些挑战因为处理长序列时会出现一些问题例如 长期依赖性 随着时间序列数据的增长模型需要能够捕捉长期的依赖关系和趋势。 计算复杂性 针对长序列进行训练和预测通常需要更多的计算资源和时间。 内存消耗 长序列通常需要大量的内存来存储数据和模型参数这可能会导致内存耗尽或者性能下降的问题。 在处理LSTF问题时选择合适的窗口大小window size是非常关键的。选择合适的窗口大小可以帮助模型更好地捕捉时间序列中的模式和特征为了提取序列中更长的依赖建模本文把窗口大小提升到96运用EMD-CNN-GRU并行模型来充分提取序列中的特征信息。 本文基于前期介绍的风速数据文末附数据集先经过经验模态EMD分解,然后通过数据预处理制作和加载数据集与标签最后通过Pytorch实现EMD-CNN-GRU并行模型对风速数据的预测。风速数据集的详细介绍可以参考下文
风速预测一数据集介绍和预处理-CSDN博客 1 风速数据EMD分解与可视化
1.1 导入数据
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import matplotlib
matplotlib.rc(font, familyMicrosoft YaHei)
# 读取已处理的 CSV 文件
df pd.read_csv(wind_speed.csv )
# 取风速数据
winddata df[Wind Speed (km/h)].tolist()
winddata np.array(winddata) # 转换为numpy
# 可视化
plt.figure(figsize(15,5), dpi100)
plt.grid(True)
plt.plot(winddata, colorgreen)
plt.show() 1.2 EMD分解
from PyEMD import EMD
# 创建 EMD 对象
emd EMD()
# 对信号进行经验模态分解
IMFs emd(winddata)
# 可视化
plt.figure(figsize(20,15))
plt.subplot(len(IMFs)1, 1, 1)
plt.plot(winddata, r)
plt.title(原始信号)
for num, imf in enumerate(IMFs):plt.subplot(len(IMFs)1, 1, num2)plt.plot(imf)plt.title(IMF str(num1), fontsize10
)
# 增加第一排图和第二排图之间的垂直间距
plt.subplots_adjust(hspace0.8, wspace0.2)
plt.show() 2 数据集制作与预处理
2.1 先划分数据集按照82划分训练集和测试集 2.2 设置滑动窗口大小为96制作数据集 3 基于Pytorch的EMD-CNN-GRU并行模型预测
3.1 数据加载训练数据、测试数据分组数据分batch
# 加载数据
import torch
from joblib import dump, load
import torch.utils.data as Data
import numpy as np
import pandas as pd
import torch
import torch.nn as nn
# 参数与配置
torch.manual_seed(100) # 设置随机种子以使实验结果具有可重复性
device torch.device(cuda if torch.cuda.is_available() else cpu)
# 加载数据集
def dataloader(batch_size, workers2):# 训练集train_set load(train_set)train_label load(train_label)# 测试集test_set load(test_set)test_label load(test_label)
# 加载数据train_loader Data.DataLoader(datasetData.TensorDataset(train_set, train_label),batch_sizebatch_size, num_workersworkers, drop_lastTrue)test_loader Data.DataLoader(datasetData.TensorDataset(test_set, test_label),batch_sizebatch_size, num_workersworkers, drop_lastTrue)return train_loader, test_loader
batch_size 64
# 加载数据
train_loader, test_loader dataloader(batch_size)
3.2 定义EMD-CNN-GRU并行预测模型 注意输入风速数据形状为 [64, 10, 96] batch_size64, 维度10维代表10个分量96代表序列长度滑动窗口取值。 3.3 定义模型参数
# 定义模型参数
batch_size 64
input_len 96 # 输入序列长度为96 (窗口值)
input_dim 10 # 输入维度为10个分量
conv_archs ((1, 32), (1, 64)) # CNN 层卷积池化结构 类似VGG
hidden_layer_sizes [64, 128] # GRU 层 结构
output_size 1 # 单步输出
model EMDCNNGRUModel(batch_size, input_len, input_dim, conv_archs, hidden_layer_sizes, output_size1)
# 定义损失函数和优化函数
model model.to(device)
loss_function nn.MSELoss() # loss
learn_rate 0.003
optimizer torch.optim.Adam(model.parameters(), learn_rate) # 优化器
3.4 模型训练 训练结果 采用两个评价指标MSE 与 MAE 对模型训练进行评价100个epochMSE 为0.00441MAE 为 0.0002034EMD-CNN-GRU并行模型预测效果良好性能提升明显适当调整模型参数还可以进一步提高模型预测表现。通过CNN模型来处理输入的长窗口时间序列数据能够有效地捕获局部模式和特征同时把数据送入GRU网络来提取时序特征最后把时序特征和空间特征进行融合。EMD-CNN-GRU并行模型效果明显可见其性能的优越性。 注意调整参数 可以适当调整CNN中卷积池化的层数和维度微调学习率 调整GRU网络层数和维度增加更多的 epoch 注意防止过拟合 可以改变滑动窗口长度设置合适的窗口长度 3.5 结果可视化
