模型整體介紹：

1. 時空卷積網絡（TCN）：

TCN是一種卷積神經網絡結構，用于捕捉時序數據中的時序關系。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）用于增加網絡的感受野，以便更好地捕捉時序數據中的長期依賴關系。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勢。

3.信息選擇和權重分配：

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重，從而更好地關注對預測結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定，能夠避免梯度消失和梯度爆炸問題。結合了 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據，并且提高預測的準確性和魯棒性。

配有代碼、文件介紹：

模型介紹和調參教程：

導入數據

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 ，用已有的數據去預測未來的數據，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，訓練模型

1.5 預測結果可視化

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 ，用已有的數據去預測未來的數據，每次預測多步

• 輸入數據的形狀應該是 (batch_size, window_size, input_dim)
• 輸出數據的形狀應該是 (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，訓練模型

2.5 預測結果可視化

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）多個變量的數據去預測某個目標變量未來的數據，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）多個變量的數據去預測某個目標變量未來的數據，每次預測多步

• 輸入數據的形狀應該是 (batch_size, window_size, input_dim)
• 輸出數據的形狀應該是 (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：原文完整數據、Python代碼?

???https://mbd.pub/o/bread/ZpaWkp5q????

本文轉載自??建模先鋒??，作者：小蝸愛建模 ????