283-Pytorch实现TCN-Transformer的时间序列预测代码(同时包含Transformer对比试验代码)

关键词：TCN-Transformer的时间序列预测   Transformer的时间序列预测    Pytorch

代码内容：

1. Pytorch实现TCN-Transformer的时间序列预测;、

2. 同时包含Transformer的时间序列预测对比试验代码

3.数据集描述，此次实验的数据属性为date(日期)、open(开盘价)、high(最高价)、low(最低价)、close(收盘价）以及volume(成交量)，其中，我们要实现股票预测，需要着重对close(收盘价)一列进行探索性分析。

注意事项：默认支持GPU运行，无GPU，自动切换CPU运行！

仿真平台：pycharm + python3.9 + pytorch 2.1.2 + pandas 1.5.3 + numpy 1.20.3

程序仿真效果图:

部分程序代码：

# 需要u'内容'
# 2.定义获取数据函数，数据预处理。去除ID，股票代码，
# 前一天的收盘价，交易日期等对训练集无用的数据
def getData(root, sequence_length, batch_size):
    stock_data = pd.read_csv(root)
    print(stock_data.info())
    print(stock_data.head().to_string())

    #首先删除一些对预测close无用的信息
    stock_data.drop('id', axis=1, inplace=True)  # 删除date
    stock_data.drop(labels="ts_code", axis=1, inplace=True)
    stock_data.drop(labels="trade_date", axis=1, inplace=True)
    stock_data.drop(labels="pre_close", axis=1, inplace=True)
    stock_data.drop(labels="change", axis=1, inplace=True)
    stock_data.drop(labels="pct_chg", axis=1, inplace=True)
    stock_data.drop(labels="amount", axis=1, inplace=True)
    print("整理后\n", stock_data.head())

    #获取收盘价的最大值与最下值
    close_max = stock_data["close"].max()  # 收盘价的最大值
    close_min = stock_data["close"].min()  # s收盘价的最小值
    # 2.1对数据进行标准化min-max
    scaler = MinMaxScaler()
    df = scaler.fit_transform(stock_data)
    print("整理后\n", df)
    # 2.2构造X,Y
    # 根据前n天的数据，预测未来一天的收盘价（close），
    # 例如根据1月1日、1月2日、1月3日、1月4日、1月5日的数据
    # （每一天的数据包含8个特征），预测1月6日的收盘价。
    sequence = sequence_length
    x = []
    y = []
    for i in range(df.shape[0] - sequence):
        x.append(df[i:i + sequence, :])
        y.append(df[i + sequence, 3])
    x = np.array(x, dtype=np.float32)
    y = np.array(y, dtype=np.float32).reshape(-1, 1)

    print("x.shape=", x.shape)
    x=np.transpose(x,(0,2,1))
    print("转置后x.shape=", x.shape)
    print("y.shape", y.shape)
    # 2.3构造batch,构造训练集train与测试集test
    total_len = len(y)
    print("total_len=", total_len)
    trainx, trainy = x[:int(0.90 * total_len), ], y[:int(0.90 * total_len), ]
    testx, testy = x[int(0.90 * total_len):, ], y[int(0.90 * total_len):, ]
    train_loader = DataLoader(dataset=Mydataset(trainx, trainy), shuffle=True, batch_size=batch_size)
    test_loader = DataLoader(dataset=Mydataset(testx, testy), shuffle=True, batch_size=batch_size)
    return [close_max, close_min, train_loader, test_loader]


# 3.自己重写数据集继承Dataset
class Mydataset(Dataset):
    def __init__(self, x, y):
        self.x = torch.from_numpy(x)
        self.y = torch.from_numpy(y)

    def __getitem__(self, index):
        x1 = self.x[index]
        y1 = self.y[index]
        return x1, y1

    def __len__(self):
        return len(self.x)

device = torch.device('cuda:0' if torch.cuda.is_available() else 'cpu')
root = r".\data\300808.SZ.csv"
close_max, close_min, train_loader, test_loader = getData(root, sequence_length=sequence_length, batch_size=batch_size)

print("close_max=,close_min=",close_max,close_min)
print("train_loader=",len(train_loader))
print("test_loader=",len(test_loader))