机器学习算法实战
文章平均质量分 96
机器学习算法实战
Python算法实战
这个作者很懒,什么都没留下…
展开
-
机器学习算法实战案例:使用 Transformer 模型进行时间序列预测实战(升级版)
时间序列预测是一个经久不衰的主题,受自然语言处理领域的成功启发,transformer模型也在时间序列预测有了很大的发展。本文可以作为学习使用Transformer 模型的时间序列预测的一个起点。原创 2024-01-29 22:18:27 · 1453 阅读 · 0 评论 -
机器学习算法实战案例:使用 Transformer 进行时间序列预测
本文的目标是提供一个完整的使用 transformers 的教程,而不是在理论上介绍和解释这些有趣的模型。为了完整起见,我们将对 transformers 进行简要的介绍。Transformers 由一个编码器和一个解码器组成。编码器处理输入序列,解码器输出输出序列。输入和输出序列,顾名思义,由多个值或标记组成。与逐个处理数据的循环神经网络(RNN)不同,transformers同时处理所有这些数据(这是它们的优势之一)。为此,每个标记都被编码/嵌入到一个更高维度以进行未来处理。原创 2024-01-22 11:24:17 · 1477 阅读 · 0 评论 -
机器学习算法实战案例:Informer实现多变量负荷预测
报错1:UnicodeDecodeError: ‘utf-8’ codec can’t decode bytes in position 56-57: invalid continuation byte,具体来说,‘utf-8’ 编解码器无法解码文件中的某些字节,因为它们不符合 UTF-8 编码的规则。通过检查,数据中的列名最好改为英文,避免产生乱码。本文完整代码、相关资料、技术交流&答疑,均可加我们的交流群获取,群友已超过2000人,添加时最好的备注方式为:来源+兴趣方向,方便找到志同道合的朋友。原创 2024-01-17 08:59:16 · 1299 阅读 · 0 评论 -
机器学习算法实战案例:Informer 源码详解与代码实战
首先导入代码的基本函数和数据类型,在exp文件下exp_informer import中的类Exp_Informer中,定义了模型参数、get_data、model_optim、train、test、eval等函数。本文完整代码、相关资料、技术交流&答疑,均可加我们的交流群获取,群友已超过2000人,添加时最好的备注方式为:来源+兴趣方向,方便找到志同道合的朋友。利用Informer模型的最佳训练参数进行预测,包括预测数据加载、模型预测、保存预测结果的过程。一个人可以走的很快、一堆人可以走的更远。原创 2024-01-17 08:55:39 · 1256 阅读 · 2 评论 -
机器学习算法实战案例:VMD-LSTM实现单变量多步光伏预测(升级版)
每次预测的12行数据,添加到数据集中充当预测x,然后在预测新的12行y,再添加到预测x列表中,如此往复,最终预测出96行。通过前7天的96*7行数据预测后一天的96个数据,需要对数据集进行滚动划分(也就是前96*7行的数据和后12行的数据训练,后面预测时就可通过96*7行数据测未来的12行数据,然后将12行预测值添加到历史数据中,历史数据变为96*7+12个,再取出后96*7行数据进行预测,得到12行预测值,滚动进行预测直到预测完成,注意此时的预测值是行而不是个)然后对数据进行预测,得到预测结果。原创 2024-01-16 14:55:31 · 1753 阅读 · 0 评论 -
机器学习算法实战案例:VMD-LSTM实现单变量多步光伏预测
通过前5天的timesteps数据预测后一天的数据predict_steps个,需要对数据集进行滚动划分(也就是前timesteps行的特征和后predict_steps行的标签训练,后面预测时就可通过timesteps行特征预测未来的predict_steps个标签)。通过前5天的96*5数据预测后一天的数据96个,需要对数据集进行滚动划分(也就是前96*5行的特征和后96行的标签训练,后面预测时就可通过96*5行特征预测未来的96个标签)预测并计算误差,并进行可视化,将这些步骤封装为函数。原创 2024-01-16 14:05:24 · 1306 阅读 · 0 评论 -
机器学习算法实战案例:BiLSTM实现多变量多步光伏预测
通过前5天的timesteps数据预测后一天的数据predict_steps个,需要对数据集进行滚动划分(也就是前timesteps行的特征和后predict_steps行的标签训练,后面预测时就可通过timesteps行特征预测未来的predict_steps个标签)。通过前5天的96*5数据预测后一天的数据96个,需要对数据集进行滚动划分(也就是前96*5行的特征和后96行的标签训练,后面预测时就可通过96*5行特征预测未来的96个标签)构造训练数据,也是真正预测未来的关键。网络模块的链式形式。原创 2024-01-16 11:16:35 · 1203 阅读 · 0 评论 -
机器学习算法实战案例:CNN-LSTM实现多变量多步光伏预测
最后一层是 LSTM 层, 这一层是根据 CNN 处理后的特征数据,对其模型进行进一步的维度修偏, 权重修正等工作, 为下一步输出精度较高的预测值做好准备, 在 LSTM 训练的过程中, 由于其神经网络内部包括了输入、 遗忘和输出门, 通常的做法是通过增减遗忘门和输入门的个数, 来控制算法的精度。构造训练数据,也是真正预测未来的关键。数据处理前,需要对数据进行归一化,按照上面的方法划分数据,这里返回划分的数据和归一化模型,因为是多变量,特征和标签分开归一化,不然后面归一化会有信息泄露的问题。原创 2024-01-16 10:29:16 · 1219 阅读 · 1 评论 -
机器学习算法实战案例:LSTM实现多变量多步负荷预测
实验数据集采用数据集6:澳大利亚电力负荷与价格预测数据,包括数据集包括日期、小时、干球温度、露点温度、湿球温度、湿度、电价、电力负荷特征,时间间隔30min。单独查看部分负荷数据,发现有较强的规律性。原创 2024-01-16 09:58:26 · 1377 阅读 · 1 评论 -
机器学习算法实战案例:LSTM实现单变量滚动风电预测
实验数据集采用数据集5:风电机组运行数据集,包括风速、风向、温度、湿度、气压和真实功率等共30万余条。WINDSPEED:预测风速WINDDIRECTION:风向TEMPERATURE:温度HUMIDITY:湿度PRESSURE:气压PREPOWER:预测功率ROUND(A.WS,1):实际风速ROUND(A.POWER,0):实际功率YD15:已有实际功率预测目标。原创 2024-01-16 09:40:34 · 1278 阅读 · 0 评论 -
机器学习算法实战案例:GRU 实现多变量多步光伏预测
实验数据集采用数据集7:常州普利司通光伏数据集(下载链接),包括数据集包括时间、场站名称、辐照强度(Wh/㎡)、 环境温度(℃)、全场功率(kW)等5个特征,时间间隔5min。注意:辐照强度(Wh/㎡)、 环境温度(℃)、全场功率(kW)特征名前有个空格if row == 1 and col == 1: # 处理只有1行1列的情况axes = [axes] # 转换为列表,方便统一处理ax.axis('off') # 如果数据列数小于子图数量,关闭多余的子图。原创 2024-01-16 09:16:15 · 1181 阅读 · 0 评论 -
机器学习算法实战案例:时间序列数据最全的预处理方法总结
Z分数(z-score),是一个分数与平均数的差再除以标准差的过程 → z=(x-μ)/σ,其中x为某一具体分数,μ为平均数,σ为标准差,Z值的量代表着原始分数和母体平均值之间的距离,是以标准差为单位计算。可以通过df.info()函数大概查看缺失值情况,df.info()可以查看列的数据类型,数据数量信息,df.describe()函数用于查看数据的统计信息。首先计算基本的统计量,然后绘值箱型图。异常值是指样本中的个别值,其数值明显偏离其余的观测值,异常值也称离群点,异常值的分析也称为离群点的分析。原创 2024-01-15 22:03:58 · 1196 阅读 · 0 评论 -
机器学习算法实战案例:确实可以封神了,时间序列预测算法最全总结!
指对某种事物发展变化过程进行观测并按照一定频率采集得出的一组随机变量。就是从众多数据中挖掘出其蕴含的核心规律并且依据已知的因素对未来的数据做出准确的估计。分类聚类、异常检测、事件预测、时间序列预测等。时间序列预测通过挖掘时间序列潜在规律,进行类推或者延展用于解决在现实生活中面临的诸多问题,包括噪声消除、股票行情分析、电力负荷预测、交通路况预测、流感疫情预警等。原创 2024-01-15 21:35:16 · 1597 阅读 · 0 评论