CNN(二维卷积Conv2D)实现时间序列预测(PyTorch版)

最新推荐文章于 2024-06-27 21:20:47 发布
最新推荐文章于 2024-06-27 21:20:47 发布
阅读量593 收藏 2
点赞数 1
分类专栏： 2024年机器学习&深度学习千例 文章标签： cnn pytorch 人工智能 lstm 深度学习 神经网络 时间序列
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/m0_68036862/article/details/133556178
版权
该博客介绍了如何使用PyTorch中的二维卷积(Conv2D)来处理时间序列预测问题，尤其是风速预测。通过将时间序列数据转换为图像格式，应用卷积层进行处理。尽管这种转换可能并不理想，但作者展示了如何搭建模型、定义损失函数和优化器，并进行了模型训练和结果可视化。文章强调，二维卷积更适合处理具有空间关系的数据，而时间序列数据的特征和时间步之间并无此类关系，因此模型效果可能不佳。
摘要由CSDN通过智能技术生成

目录

一、基于PyTorch搭建CNN(二维卷积Conv2D)模型实现风速时间序列预测

二、配置类

三、时序数据集的制作

四、数据归一化

五、数据集加载器

六、搭建CNN(二维卷积Conv2D)模型

七、定义模型、损失函数、优化器

八、模型训练

九、可视化结果

完整源码

一、基于PyTorch搭建CNN(二维卷积Conv2D)模型实现风速时间序列预测

上一篇文章我们使用一维卷积 Conv1D 进行预测，对于本篇文章我们尝试使用图像任务常用的二维卷积 Conv2D 进行处理时序数据，对于时序类型我们可以将它转化为图像数据的格式【通道数，宽，高】。

由于这样强行转换，尽管最终能够使用二维卷积进行预测，但是违背了二维卷积提取数据的意图，所以说模型最终效果略差于 Conv1D 一维卷积，至于为什么下面我们定义模型的时候给出说明。

二、配置类

下面是本项目需要使用的参数以及相关变量，为了方便我们将所有参数封装到一个类中，也可以使用 argparse 参数解析方式。

为了说明数据各个阶段的维度变化，特此定义了如下变量大小，小伙伴需要记住下面变量的值一遍理解下文说明各个阶段的维度大小。

class Config():
    data_path = '../data/wind_dataset.csv'
    timestep = 20  # 时间步长，就是利用多少时间窗口
    batch_size = 3
了解本专栏 订阅专栏 解锁全文
人工智能_SYBH
关注
专栏目录
订阅专栏
基于CNN(二维卷积Conv2D)+LSTM实现股票多变量时间序列预测(PyTorch版)
君子不器 大道无方
07-19 2553
本文旨在探索基于CNN-LSTM的模型在股票多变量时间序列预测中的应用。通过构建CNN-LSTM模型，我们可以同时捕捉股票价格数据中的空间特征和时序依赖关系，从而实现对股票价格更准确的预测。本文的研究不仅有助于提升股票价格预测的精度，也为深度学习技术在金融领域的应用提供了新的思路和方法。
使用2D卷积技术进行时间序列预测
deephub
09-10 1万+
本文将展示一种新的时间序列预测方法。 目标数据集 在这个项目中使用的数据是来自北卡罗来纳州夏洛特分校的全球能源预测竞赛的数据。您可以在这里找到更多信息：http://www.drhongtao.com/gefcom/2017 你需要知道的是，这些数据是来自能源网络的各种读数。我们的目标是利用这些数据点预测电网的实时能源需求。数据点还包括露点和干球温度，因为空调是能源消耗的主力。 我们的目标变量是RTDemand（Real Time energy demand）：电网的实时能源需求。数据具有清晰的日周期特征。
将二维序列变为一维度序列进行预测的设计
东方佑
03-26 326
将而二维度序列变为一维度的序列进行预测 当然方法不唯一如果有其他的方法也是不错的
【Matlab】基于卷积神经网络的时间序列预测（Excel可直接替换数据）
敲代码两年半的练习生博客
07-26 979
总结：基于卷积神经网络的时间序列预测利用一维卷积层来提取时间序列中的特征，通过池化层降低特征图的维度，然后通过全连接层实现时间序列的预测。与传统的时间序列预测方法相比，CNN能够自动提取输入时间序列中的相关特征，从而实现更准确的预测。通过卷积操作和池化操作，CNN能够自动从原始时间序列数据中提取有用的特征，并使用全连接层实现时间序列的预测。然而，在时间序列预测中，我们可以将时间序列视为一维的信号序列，并应用一维卷积操作。在经过卷积层和池化层后，可以将特征图展平成一个向量，并通过全连接层进行时间序列的预测。
利用pytorch实现时间序列预测的例子
weixin_42602368的博客
02-18 197
使用pytorch进行时间序列预测的一个简单例子是，我们可以建立一个简单的神经网络，来预测未来的时间序列。我们可以利用前一个时间点的输入，来预测当前时间点的输出。例如，我们可以使用历史天气数据来预测未来的天气，或者使用历史股票数据来预测未来的股票价格。 ...
CNN实现时间序列预测(PyTorch版)
热门推荐
qq_39064418的博客
10-22 2万+
CNN实现时间序列预测 工具集 Python3.8 PyTorch1.10 Jupyter6.3.0 具体安装过程就不多赘述了:） 数据集介绍 本次实验使用的数据集是关于乙醇年销售额数据，该数据集是一个单变量时间序列，数据集链接在本文末尾。 数据集格式： 数据处理 加载数据集 import numpy as np import pandas as pd import matplotlib.pyplot as plt Dataset = pd.read_csv('..\data\Alcohol_Sales
Pytorch实现CNN时间序列预测
zchenack个人专栏
03-04 1万+
曾经推出过PyTorch实现的LSTM时间序列预测，并开源了其源码。细心的童鞋可能发现了，我之前使用的LSTM是生成式模型，而不是使用判别式进行预测。换言之，就是将序列本身作为输入，下一时刻作为输出，模型表达的是序列的联合概率分布。有兴趣的可以将其改写为判别模型。此处将使用卷积神经网络（CNN）用于时间序列预测。区别于图像处理（二维卷积如图所示）模型如下：C1表示卷积操作1S2表示max-pool...
CNN(一维卷积Conv1D)实现时间序列预测(PyTorch版)
CSDN 精品推荐
01-14 7517
本专栏整理了《深度学习时间序列预测案例》，内包含了各种不同的基于深度学习模型的时间序列预测方法，例如LSTM、GRU、CNN（一维卷积、二维卷积）、LSTM-CNN、BiLSTM、Self-Attention、LSTM-Attention、Transformer等经典模型，包含项目原理以及源码，每一个项目实例都附带有完整的代码+数据集。
从零开始大模型开发与微调：卷积神经网络文本分类模型的实现—Conv2d（二维卷积）
程序员光剑
06-26 694
从零开始大模型开发与微调：卷积神经网络文本分类模型的实现—Conv2d（二维卷积） 1.背景介绍 在自然语言处理(NLP)领域,文本分类是一项基础且广泛应用的任务。传统的方法通常依赖于手工特征工程,需要大量的人工努力。而近年来,随着深度学习技术
conv2d()、maxpool2d()、linear()、relu()等函数
weixin_43248507的博客
06-17 1663
基本函数torch.nn.Conv2d()torch.nn.MaxPool2d()torch.nn.Linear()torch.nn.ReLU() torch.nn.Conv2d() 对由多个输入平面组成的输入信号应用 2D 卷积。 class torch.nn.Conv2d(in_channels, out_channels, kernel_size, stride=1, padding=0, dilation=1, groups=1, bias=True, padding_mode='zeros')¶
多层多输入的CNN-LSTM时间序列回归预测（卷积神经网络-长短期记忆网络）——附代码
不定时分享电力优化、神经网络、数学建模等技术等
03-19 7154
本文使用CNN-LSTM混合神经网络对时间序列数据进行回归预测。本模型的输入数据个数可以自行选择，可以为多输入、也可以为单输入，使用Matlab自带的数据集进行训练，可以轻松的更换数据集以实现自己的功能。首先使用CNN网络对输入数据进行深度特征提取，然后将提取到的抽象特征进行压缩，将压缩后的数据输入后续的LSTM网络进行回归预测。相比一般的单层网络结构，本文所提出的CNN-LSTM包含了三层CNN和三层LSTM网络，因此本文网络预测的准确度有了一定的提升。
时间序列 | MATLAB实现CNN-BiLSTM-Attention时间序列预测
关注并私信文章链接，获取对应文章源码和数据，机器学习之心的博客。
04-12 1326
时间序列 | MATLAB实现CNN-BiLSTM-Attention时间序列预测
TimesNet：用于一般时间序列分析的时间二维变化模型（代码解析）
qq_20144897的博客
05-20 8264
TimesNet：用于一般时间序列分析的二维变化模型，逐行代码解析
PyTorch中的 Conv1D/2D/3D及反卷积
James_bobo的博客
10-14 3550
单通道Conv2D（通俗意义上的卷积）运算示意图 卷积运算：卷积核在输入信号（图像）上滑动，相应位置上进行乘加。 卷积核：又称为滤波器，过滤器，可认为是某种特征。 卷积维度：一般情况下 ，卷积核在几个维度上滑动就是几维卷积。 卷积过程类似于用一个模版去图像上寻找与它相似的区域，与卷积核模式越相似，激活值越高，从而实现特征提取。下图为AlexNet卷积核可视化，可以看出，卷积核学习到的是 边缘，条纹，色彩这些特征。 Conv1D/2D/3D的区别 Conv1D torch.nn.Conv1d(i
2D卷积核处理3D(时序)数据
最新发布
qq_44324007的博客
06-27 759
2D卷积核处理3D(时序)数据
pytorch框架:conv1d、conv2d的输入数据维度是什么样的
weixin_43960370的博客
04-18 6350
具体来说，Conv1d 模块会对第二维和第三维分别进行一维卷积操作，保留第一维（即批次大小）不变，输出一个新的三维张量，形状为 (batch_size, out_channels, new_sequence_length)，其中 out_channels 表示卷积核的数量，new_sequence_length 表示卷积后的序列长度。sequence_length 表示当前输入数据的序列长度，对于文本分类任务通常为词向量的长度，对于时序信号处理任务通常为时间序列的长度，对于图像分类任务通常为图像的高或宽。
cnn时间序列预测pytorch
10-19
您好，针对时间序列预测问题，可以使用卷积神经网络（CNN）进行建模。在PyTorch中，可以使用nn.Conv1d模块来实现一维卷积操作。具体步骤如下： 1. 准备数据集，将时间序列数据转换为二维张量，其中第一维表示时间步，第二维表示特征维度。 2. 定义CNN模型，可以使用多个卷积层和池化层来提取特征。 3. 定义损失函数和优化器。 4. 训练模型，并在验证集上进行评估。 以下是一个简单的示例代码： ```python import torch import torch.nn as nn import torch.optim as optim # 准备数据集 x_train = torch.randn(100, 10) # 100个时间步，每个时间步有10个特征 y_train = torch.randn(100, 1) # 目标值为单个数值 # 定义CNN模型 class CNN(nn.Module): def __init__(self): super(CNN, self).__init__() self.conv1 = nn.Conv1d(in_channels=10, out_channels=16, kernel_size=3) self.pool1 = nn.MaxPool1d(kernel_size=2) self.conv2 = nn.Conv1d(in_channels=16, out_channels=32, kernel_size=3) self.pool2 = nn.MaxPool1d(kernel_size=2) self.fc = nn.Linear(in_features=32*2, out_features=1) def forward(self, x): x = x.permute(0, 2, 1) # 将特征维度放在第二维 x = self.pool1(torch.relu(self.conv1(x))) x = self.pool2(torch.relu(self.conv2(x))) x = x.view(-1, 32*2) x = self.fc(x) return x model = CNN() # 定义损失函数和优化器 criterion = nn.MSELoss() optimizer = optim.Adam(model.parameters(), lr=0.01) # 训练模型 for epoch in range(100): optimizer.zero_grad() y_pred = model(x_train) loss = criterion(y_pred, y_train) loss.backward() optimizer.step() print('Epoch {}, Loss: {:.4f}'.format(epoch+1, loss.item())) # 在验证集上进行评估 x_val = torch.randn(10, 10) y_val = torch.randn(10, 1) y_pred = model(x_val) val_loss = criterion(y_pred, y_val) print('Validation Loss: {:.4f}'.format(val_loss.item())) ```
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

人工智能_SYBH

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值