基于timegan扩增技术，进行多维度数据扩增（Python编程，数据集为瓦斯浓度气体数据集）

 实验数据来自山西某矿 15103 工作面，时间跨度为 2020 年 9 月 16 日至 2021 年 12 月 31 日，包括瓦斯浓度、CO 浓度、温度、风速、工作面粉尘、瓦斯流量、负压、管道内瓦斯浓度 8 种数据，数据采集间隔为 1 天。

1.数据集介绍

瓦斯是被预测气体，其它列为特征列,原始数据一共有472行数据，因为原始数据比较少，所以要对原始数据（总共8列数据）进行扩增。

开始数据截图

 截止数据截图

2. 文件夹介绍

lstm.py是对未扩增的数据进行训练和测试

gan_code.py是数据扩增文件。

gan_data1.npy保留扩增以后的伪数据

gan_lstm.py 是利用扩增后的数据与原始数据的一部分一起作为训练集，对测试集进行测试。

扩增程序运行视频（为减小视频时长，视频中训练次数设置为2）：

基于timegan扩增技术，进行多维度数据扩增_哔哩哔哩_bilibili

扩增程序运行5000个train_steps，也就是训练5000次后，将扩增数据与真实数据，利用PCA和TNSE进行特征可视化，可以看出扩增出来的数据与原始数据特征分布近似，扩增数据效果较佳。

对8列数据，随机选出每列的24个连续的点，真实值与生成的数据对比：

 2.利用LSTM进行预测

将原始数据集的最后一半(236行，也就是263个样本作为测试集)，前面一半单独作为训练集，模型经训练后，对测试集的效果如下：

RMSE: 0.18512594640992197

MAE: 0.11461186704684799

MSE: 0.0342716160341693

将原始数据集的最后一半(236行，也就是263个样本作为测试集)，前面一半和扩增后的数据一起组成训练集，模型经训练后，对测试集的效果如下：

RMSE: 0.1454103476829004

MAE: 0.05941093629294589

MSE: 0.02114416921326198

将原始数据集的最后80%(378行，也就是378个样本作为测试集)，前面20%(95个样本)单独作为训练集，模型经训练后，对测试集的效果如下：

RMSE: 0.18795273726595538

MAE: 0.12856747175336741

MSE: 0.03532623144576525

将原始数据集的最后80%(378行，也就是378个样本作为测试集)，前面20%(95个样本)和扩增数据一起作为训练集，模型经训练后，对测试集的效果如下：

RMSE: 0.13263138712145212

MAE: 0.07024818880211464

MSE: 0.017591084849760494

对项目感兴趣的，可以关注最后一行

import numpy as np
import pandas as pd
from sklearn.preprocessing import MinMaxScaler

from tensorflow import function, GradientTape, sqrt, abs, reduce_mean, ones_like, zeros_like, convert_to_tensor,float32
from tensorflow import data as tfdata
from tensorflow import config as tfconfig

#代码和数据集的压缩包：https://mbd.pub/o/bread/mbd-ZpaXmJdv

只需要数据集的可以关注下方最后一行

import numpy as np
import pandas as pd
from sklearn.preprocessing import MinMaxScaler

from tensorflow import function, GradientTape, sqrt, abs, reduce_mean, ones_like, zeros_like, convert_to_tensor,float32
from tensorflow import data as tfdata
from tensorflow import config as tfconfig

#数据集：https://mbd.pub/o/bread/ZZ6Zlp9r