聊聊組合模型、注意力機制在單步、多步、單變量、多變量預測中的應用
模型整體介紹：
1. 時空卷積網(wǎng)絡（TCN）：
TCN是一種卷積神經(jīng)網(wǎng)絡結(jié)構(gòu)，用于捕捉時序數(shù)據(jù)中的時序關(guān)系。它由一系列的1D卷積層組成，每個卷積層都具有相同的卷積核大小和步長。TCN中的殘差連接（Residual Connections）和空洞卷積（Dilated Convolutions）用于增加網(wǎng)絡的感受野，以便更好地捕捉時序數(shù)據(jù)中的長期依賴關(guān)系。TCN可以同時處理多個時間步的輸入，這使得模型能夠在多個時間步上進行并行預測。
2.短期和長期依賴關(guān)系的捕捉：
- TCN：通過卷積操作，能夠有效捕捉時間序列中的短期依賴關(guān)系，同時由于其因果卷積和擴展卷積，能夠處理較長的序列依賴關(guān)系。
- BiLSTM：雙向 LSTM 能夠同時處理序列的前向和后向信息，捕捉序列中的長期和雙向依賴關(guān)系。
- 并行計算：TCN：卷積操作可以并行處理，相較于 RNN 的串行計算，TCN 在處理長序列時具有計算效率上的優(yōu)勢。
3.信息選擇和權(quán)重分配：
Attention 機制：通過注意力機制，模型能夠為輸入序列中的不同部分分配不同的權(quán)重，從而更好地關(guān)注對預測結(jié)果有重要貢獻的時間步。這有助于提高模型的預測精度和解釋性。
4.穩(wěn)定性和長序列處理能力：
TCN：由于使用了殘差連接和擴展卷積，TCN 在處理長序列時更穩(wěn)定，能夠避免梯度消失和梯度爆炸問題。結(jié)合了 TCN、BiLSTM 和 Attention 的模型具有強大的表達能力，能夠處理復雜的時間序列數(shù)據(jù)，并且提高預測的準確性和魯棒性。
配有代碼、文件介紹：
模型介紹和調(diào)參教程：
導入數(shù)據(jù)
1、單變量單步預測任務
1.1 任務描述
單變量單步預測，就是只有（用）一個變量 ，用已有的數(shù)據(jù)去預測未來的數(shù)據(jù)，每次預測一步
- 輸入訓練集 變量：變量var-OT
- 對應y值標簽為： 變量var-OT
1.2 單變量單步預測預處理
1.3 模型定義-基于TCN-BiLSTM-Attention的單變量單步預測
1.4 設置參數(shù)，訓練模型
1.5 預測結(jié)果可視化
1.6 模型評估
1.7 加載模型進行預測
2、單變量多步預測任務
2.1 任務描述
單變量多步預測，就是只有（用）一個變量 ，用已有的數(shù)據(jù)去預測未來的數(shù)據(jù)，每次預測多步
- 輸入數(shù)據(jù)的形狀應該是 (batch_size, window_size, input_dim)
- 輸出數(shù)據(jù)的形狀應該是 (batch_size, num_steps, output_dim)
解釋：
- batch_size就是批次
- input_dim 和 output_dim 就是對應輸入維度，和輸出維度（如果單變量預測任務的話，就是輸入輸出都為1維）
- window_size 就是輸入樣本序列的長度
- num_steps 是需要預測的步長（比如：用過去 12 個步長 ，預測未來 3 個步長）
2.2 單變量多步預測預處理
2.3 模型定義-基于TCN-BiLSTM-Attention的單變量多步預測
2.4 設置參數(shù)，訓練模型
2.5 預測結(jié)果可視化
每步預測單獨可視化：
2.6 模型評估
2.7 加載模型進行預測
3、多變量單步預測任務
3.1 任務描述
多變量單步預測，就是有（用）多個變量的數(shù)據(jù)去預測某個目標變量未來的數(shù)據(jù)，每次預測一步；
- 輸入訓練集 變量：所有特征變量（多個）
- 對應y值標簽為： 目標變量var-OT
3.2 單變量單步預測預處理
3.3 模型定義、訓練過程、評估、可視化、向外預測不再贅述
多變量單步預測效果明顯優(yōu)于單變量單步預測效果，考慮到其他特征帶來對目標變量預測更多的信息，其預測性能更顯著！
4、多變量多步預測任務
4.1 任務描述
多變量多步預測，就是有（用）多個變量的數(shù)據(jù)去預測某個目標變量未來的數(shù)據(jù)，每次預測多步
- 輸入數(shù)據(jù)的形狀應該是 (batch_size, window_size, input_dim)
- 輸出數(shù)據(jù)的形狀應該是 (batch_size, num_steps, output_dim)
解釋：
- batch_size就是批次
- input_dim 和 output_dim 就是對應輸入維度，和輸出維度（如果多變量預測任務的話，就是輸入多維，輸出為1維）
- window_size 就是輸入樣本序列的長度
- num_steps 是需要預測的步長（比如：用過去 12 個步長 ，預測未來 3 個步長）
4.2 多變量多步預測預處理
4.3 模型定義、訓練過程、評估、可視化、向外預測不再贅述
點擊下載：原文完整數(shù)據(jù)、Python代碼?
