TensorFlow搭建LSTM实现多变量时间序列预测(负荷预测)
目录
- I. 前言
- II. 数据处理
- III. LSTM模型
- IV. 训练/测试
- V. 源码及数据
I. 前言
在前面的一篇文章TensorFlow搭建LSTM实现时间序列预测(负荷预测)中,我们利用LSTM实现了负荷预测,但我们只是简单利用负荷预测负荷,并没有利用到其他一些环境变量,比如温度、湿度等。
本篇文章主要考虑用TensorFlow搭建LSTM实现多变量时间序列预测。
系列文章:
- 深入理解PyTorch中LSTM的输入和输出(从input输入到Linear输出)
- PyTorch搭建LSTM实现时间序列预测(负荷预测)
- PyTorch中利用LSTMCell搭建多层LSTM实现时间序列预测
- PyTorch搭建LSTM实现多变量时间序列预测(负荷预测)
- PyTorch搭建双向LSTM实现时间序列预测(负荷预测)
- PyTorch搭建LSTM实现多变量多步长时间序列预测(一):直接多输出
- PyTorch搭建LSTM实现多变量多步长时间序列预测(二):单步滚动预测
- PyTorch搭建LSTM实现多变量多步长时间序列预测(三):多模型单步预测
- PyTorch搭建LSTM实现多变量多步长时间序列预测(四):多模型滚动预测
- PyTorch搭建LSTM实现多变量多步长时间序列预测(五):seq2seq
- PyTorch中实现LSTM多步长时间序列预测的几种方法总结(负荷预测)
- PyTorch-LSTM时间序列预测中如何预测真正的未来值
- PyTorch搭建LSTM实现多变量输入多变量输出时间序列预测(多任务学习)
- PyTorch搭建ANN实现时间序列预测(风速预测)
- PyTorch搭建CNN实现时间序列预测(风速预测)
- PyTorch搭建CNN-LSTM混合模型实现多变量多步长时间序列预测(负荷预测)
- PyTorch搭建Transformer实现多变量多步长时间序列预测(负荷预测)
- PyTorch时间序列预测系列文章总结(代码使用方法)
- TensorFlow搭建LSTM实现时间序列预测(负荷预测)
- TensorFlow搭建LSTM实现多变量时间序列预测(负荷预测)
- TensorFlow搭建双向LSTM实现时间序列预测(负荷预测)
- TensorFlow搭建LSTM实现多变量多步长时间序列预测(一):直接多输出
- TensorFlow搭建LSTM实现多变量多步长时间序列预测(二):单步滚动预测
- TensorFlow搭建LSTM实现多变量多步长时间序列预测(三):多模型单步预测
- TensorFlow搭建LSTM实现多变量多步长时间序列预测(四):多模型滚动预测
- TensorFlow搭建LSTM实现多变量多步长时间序列预测(五):seq2seq
- TensorFlow搭建LSTM实现多变量输入多变量输出时间序列预测(多任务学习)
- TensorFlow搭建ANN实现时间序列预测(风速预测)
- TensorFlow搭建CNN实现时间序列预测(风速预测)
- TensorFlow搭建CNN-LSTM混合模型实现多变量多步长时间序列预测(负荷预测)
- PyG搭建图神经网络实现多变量输入多变量输出时间序列预测
- PyTorch搭建GNN-LSTM和LSTM-GNN模型实现多变量输入多变量输出时间序列预测
- PyG Temporal搭建STGCN实现多变量输入多变量输出时间序列预测
II. 数据处理
数据集为某个地区某段时间内的电力负荷数据,除了负荷以外,还包括温度、湿度等信息。
本文中,我们根据前24个时刻的负荷以及该时刻的环境变量来预测下一时刻的负荷。最终得到了batch_size=B的数据集Dtr、Val以及Dte,Dtr为训练集,Val为验证集,Dte为测试集。
任意输出一条数据:
(<tf.Tensor: shape=(24, 7), dtype=float32, numpy=
array([[0.36147627, 0. , 0.90909094, 0. , 0.8333333 ,0.3255814 , 0.24390244],[0.3429366 , 0. , 0.90909094, 0. , 0.8333333 ,0.3255814 , 0.24390244],[0.34939995, 0. , 0.90909094, 0. , 0.8333333 ,0.3255814 , 0.24390244],[0.35257494, 0. , 0.90909094, 0. , 0.8333333 ,0.3255814 , 0.24390244],[0.39485145, 0. , 0.90909094, 0. , 0.8333333 ,0.3255814 , 0.24390244],[0.38066387, 0. , 0.90909094, 0. , 0.8333333 ,0.3255814 , 0.24390244],[0.44114256, 0. , 0.90909094, 0. , 0.8333333 ,0.3255814 , 0.24390244],[0.4603167 , 0. , 0.90909094, 0. , 0.8333333 ,0.3255814 , 0.24390244],[0.45330796, 0. , 0.90909094, 0. , 0.8333333 ,0.3255814 , 0.24390244],[0.47912365, 0. , 0.90909094, 0. , 0.8333333 ,0.3255814 , 0.24390244],[0.46706894, 0. , 0.90909094, 0. , 0.8333333 ,0.3255814 , 0.24390244],[0.5081953 , 0. , 0.90909094, 0. , 0.8333333 ,0.3255814 , 0.24390244],[0.4452976 , 0. , 0.90909094, 0. , 0.8333333 ,0.3255814 , 0.24390244],[0.4360156 , 0. , 0.90909094, 0. , 0.8333333 ,0.3255814 , 0.24390244],[0.4917237 , 0. , 0.90909094, 0. , 0.8333333 ,0.3255814 , 0.24390244],[0.4723147 , 0. , 0.90909094, 0. , 0.8333333 ,0.3255814 , 0.24390244],[0.47849187, 0. , 0.90909094, 0. , 0.8333333 ,0.3255814 , 0.24390244],[0.524864 , 0. , 0.90909094, 0. , 0.8333333 ,0.3255814 , 0.24390244],[0.52128404, 0. , 0.90909094, 0. , 0.8333333 ,0.3255814 , 0.24390244],[0.47682068, 0. , 0.90909094, 0. , 0.8333333 ,0.3255814 , 0.24390244],[0.4345901 , 0. , 0.90909094, 0. , 0.8333333 ,0.3255814 , 0.24390244],[0.39052632, 0. , 0.90909094, 0. , 0.8333333 ,0.3255814 , 0.24390244],[0.33869517, 0. , 0.90909094, 0. , 0.8333333 ,0.3255814 , 0.24390244],[0.3025095 , 0. , 0.90909094, 0. , 0.8333333 ,0.3255814 , 0.24390244]], dtype=float32)>, <tf.Tensor: shape=(1,), dtype=float32, numpy=array([0.37805316], dtype=float32)>)
每一行对应一个时刻点的负荷以及环境变量,此时input_size=7。
III. LSTM模型
这里采用了TensorFlow搭建LSTM实现时间序列预测(负荷预测)中的模型:
class LSTM(keras.Model):def __init__(self, args):super(LSTM, self).__init__()self.lstm = Sequential()for i in range(args.num_layers):self.lstm.add(layers.LSTM(units=args.hidden_size, input_shape=(args.seq_len, args.input_size),activation='tanh', return_sequences=True))self.fc1 = layers.Dense(64, activation='relu')self.fc2 = layers.Dense(args.output_size)def call(self, data, training=None, mask=None):x = self.lstm(data)x = self.fc1(x)x = self.fc2(x)return x[:, -1:, :]
IV. 训练/测试
简单训练了30轮,MAPE为4.14%:
V. 源码及数据
后面将陆续公开~
TensorFlow搭建LSTM实现多变量时间序列预测(负荷预测)相关推荐
- TensorFlow搭建LSTM实现时间序列预测(负荷预测)
目录 I. 前言 II. 数据处理 III. 模型 IV. 训练/测试 V. 源码及数据 I. 前言 前面已经写过不少时间序列预测的文章: 深入理解PyTorch中LSTM的输入和输出(从input输 ...
- 使用 LSTM 进行多变量时间序列预测的保姆级教程
来源:DeepHub IMBA 本文约3800字,建议阅读10分钟本文中我们将使用深度学习方法 (LSTM) 执行多元时间序列预测. 使用 LSTM 进行端到端时间序列预测的完整代码和详细解释. 我们 ...
- 使用 LSTM 进行多变量时间序列预测
使用 LSTM 进行端到端时间序列预测的完整代码和详细解释. 在本文中我们将使用深度学习方法 (LSTM) 执行多元时间序列预测. 我们先来了解两个主题-- 什么是时间序列分析? 什么是 LSTM? ...
- matlab负荷预测,负荷预测matlab
本文主要针对BP 神经网络 应用于电力系统短期负荷预测做了进一步的研究,并通过MATLAB设计BP神经 网络,仿真结果表明BP神经网络在短期负荷预测中的应用是可行的,能较好...... MATLAB ...
- 【数值预测案例】(6) LSTM、GRU 时间序列股票数据预测,附TensorFlow完整代码
大家好,今天和各位分享一下如何使用循环神经网络 LSTM 和 GRU 完成对股票数据的预测.GRU 是在 LSTM 基础上的简化,将 LSTM 内部的三个闸门简化成两个,往往 GRU 的计算效果会优于 ...
- Python——LSTM、GRU 时间序列股票数据预测(文末完整代码)
GRU 是在 LSTM 基础上的简化,将 LSTM 内部的三个闸门简化成两个,往往 GRU 的计算效果会优于 LSTM 目录 1. 导入工具包 2. 获取数据集 3. 数据预处理 4. 时间序列滑窗 ...
- Tensorflow搭建LSTM对文本进行分类
rnn_model.py: #!/usr/bin/python # -*- coding: utf-8 -*-import tensorflow as tfclass TRNNConfig(objec ...
- TensorFlow搭建双向LSTM实现时间序列预测(负荷预测)
目录 I. 前言 II. 原理 III. 模型定义 IV. 训练和预测 V. 源码及数据 I. 前言 前面几篇文章中介绍的都是单向LSTM,这篇文章讲一下双向LSTM. 系列文章: 深入理解PyTor ...
- TensorFlow搭建CNN实现时间序列预测(风速预测)
目录 I. 数据集 II. 特征构造 III. 一维卷积 IV. 数据处理 1. 数据预处理 2. 数据集构造 V. CNN模型 1. 模型搭建 2. 模型训练及表现 VI. 源码及数据 时间序列预测 ...
最新文章
- 项目部署不到tomcat中的原因和解决方法
- 数据分析软件python 对电脑的要求-数据分析5大软件PK,你最爱哪个?
- Linux操作系统笔记——Shell变量
- win10电脑安装android,5步教你如何在Win10 PC上安装Android 10
- thinkphp 3.2 unionall
- 计算机辐射对人体影响吗,电脑屏幕辐射对人体的危害怎么解决?
- maven+SSM框架工程搭建
- 【ClickHouse 技术系列】- ClickHouse 聚合函数和聚合状态
- mysql中常见错误代码汇总
- Linux系统日常管理1
- Java Web(1)高并发业务
- 使用嵌套类/临时类保存数据
- calloc与malloc的区别
- 计算机无线网络设备有哪些,电脑无线上网设备有哪几种
- vue3使用datav
- Node.js 使用 zlib 内置模块进行 gzip 压缩
- iOS - Xcode提高编译速度,增量编译,ccache
- Java——编辑、编译和运行
- 一段话描述相控阵论文要点(持续学习更新中...)
- 江浙沪的java春招实习综合面经