多尺度、多特征输入的风速预测项目实战（pytorch），基于一维卷积网络（1DCNN，多特征）

 一、项目简介

在原风速预测的项目基础上，本项目进行了多特征输入的的风速预测（使用了数据集中的8个特征作为输入），使用的网络仍是一维卷积网络。

 二、实验数据

实验使用了风速预测数据集wind_dataset.csv中"WIND"，"IND"，"RAIN"，"IND.1"，"T.MAX"，"IND.2"，"T.MIN","T.MIN.G"的八个特征进行风速预测。滑窗的步长为20，即前20天的8个特征（共8×20个数据）来预测第21天的风速。

 三、网络运行过程

网络的input_shape=[64, 8, 20]（其中64是batch_size, 8是输入的特征，20是滑窗步长即取20天的数据），网络的结构和输出如下图所示。第一个卷积输出的通道数为10，第二个卷积输出通道数为20，第三个是30，最后用linear层输出一个预测风速的结果。（卷积核的大小均为3）

 四、多特征的一维卷积网络运行的原理和过程

我们很容易理解，一维数据进行一维卷积，就是用一个一个如1×3的卷积核对一维数据进行滑动卷积。那么本项目中输入的是8维的数据特征，输入假设为[8, 20]，假设卷积通道为1，步长为1就会有8个同一类的卷积核对8个维度特征数据分别进行卷积，然后对8个维度卷积后的特征进行叠加，输出为[1，18]。如果通道数为10，就有10个不同类的卷积核进行上述的操作，则输出[10, 18]。下面是我自己对这个计算的理解（如有不对敬请指出，互相学习）

 每次卷积的计算过程，以通道1的计算为例子，假设步长是1，如图：

 以上理解是本人对一维卷积的理解，不一定准确，欢迎互相交流。

 五、项目运行环境

window11+python3.9+pytorch1.31.1

 六、项目文件及运行说明

train.py 里面是训练过程的通用代码，其他项目也可以在它的基础上修改
Config.py 里面是项目所需要用到的参数
DataSplit.py 实现数据划分的函数
model.py 训练的模型配置
wind_dataset.csv 风速预测的数据集
test_wind_CNN.py 运行文件，配置好训练的参数，进行训练并在里面绘图
loss.csv训练过程产生的损失
loss_draw.py 根据训练输出的loss.csv文件绘制loss损失
cnn.pth 是训练过程中生成的模型参数，可用于做测试数据的预测
test_pth.py 根据生成的cnn.pth模型参数对测试数据进行预测

七、部分模型代码展示

八、预测效果展示

训练epoch=200的loss曲线：

训练epoch=200的训练集预测效果：

训练epoch=200的验证集预测效果：

八、总结与资源

若有朋友需要源码，可以关注【科研小条】公众号，回复【多特征风速预测】，即可获得。