基于Transformer网络的多步预测模型

ops/2024/10/21 3:22:52/

包括完整流程数据代码处理：

多步预测数据集制作、数据加载、模型定义、参数设置、模型训练、模型测试、预测可视化、多步预测、模型评估

● 环境框架：python 3.9 pytorch 1.8 及其以上版本均可运行

● 使用对象：论文需求、毕业设计需求者

● 代码保证：代码注释详细、即拿即可跑通。

导读.png

配有代码、文件介绍：

预测.png

前言

本文基于前期介绍的电力变压器（ 文末附数据集 ），介绍一种基于Transformer的多步预测模型。

电力变压器数据集的详细介绍可以参考下文：

电力变压器数据集介绍和预处理-CSDN博客

1 电力变压器数据预处理与可视化

1.1 导入数据

油温数据.png

1.2 多步预测预处理

多步预测.png

数据预处理.png

2 基于Transformer的多步预测模型

2.1 定义Transformer网络模型

模型定义.png

2.2 设置参数，训练模型

模型训练.png

50个epoch，MSE 为0.002327，Transformer多步预测模型预测效果显著，模型能够充分提取序列的空间特征，收敛速度快，性能优越，预测精度高，适当调整模型参数，还可以进一步提高模型预测表现。

注意调整参数：

可以适当增加Transformer编码器层数和注意力维度数，微调学习率；
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 结果可视化和预测、模型评估

3.1 预测结果可视化

预测可视化.png

3.2 加载模型进行预测

进行预测.png

3.3 模型评估

模型评估.png

代码、数据如下：

对数据集和代码感兴趣的，可以关注最后一行

# 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")#代码和数据集：https://mbd.pub/o/bread/mbd-ZpWYlpdv

面包多.png