机器学习预测全家桶，多步预测之BiGRU、BiLSTM、GRU、LSTM，LSSVM、TCN、CNN，光伏发电数据为例...

上期发了一篇文章，五花八门的机器学习预测？一篇搞定不行吗？里边包含了大多数机器学习模型，有组合的，有单个的，且都是属于单步预测的。

而单步预测和多步预测的代码在数据处理和模型构建方面略有不同。

今天在这个全家桶内，再添加几种多步预测的模型。分别是：BiGRU、BiLSTM、GRU、LSTM、LSSVM、TCN、CNN。并以新疆光伏发电数据为例进行结果显示。

之前购买过全家桶的小伙伴直接复制文末链接，重新下载代码即可。

下期将继续添加组合模型的多步预测。

所谓多步预测模型，无非就是，预测多个样本点。比如用前30天的数据，去预测未来7天的数据。这就是一个多步预测问题。

新增多步预测模型如下：

目前整个全家桶包含模型如下：

单模型多步预测（新增）

BiGRU、BiLSTM、GRU、LSTM、LSSVM、TCN、CNN

单模型单步预测

BiGRU，BiLSTM，CNN，GRU，LSSVM，LSTM，多元回归函数regress，TCN，SVM

组合模型单步预测

CNN-BiGRU，CNN-BiGRU-ATTENTION，CNN-BiLSTM，CNN-BiLSTM-ATTENTION，CNN-GRU，CNN-LSSVM，CNN-LSTM，CNN-SVM。

以及结合VMD的几个代码：VMD-CNNBiLSTM，VMD-CNNGRU，VMD-CNNLSTM。其实当你学会了其中一个，其他的照虎画猫也就都出来了。

代码获取方式放在文末了哈！

以上只是比较常用的几个，后续大家有需要的直接后台留言，我会继续在这个全家桶里边更新！

承诺该全家桶永久更新！

后续考虑继续将上述模型全部变为多步预测模型，以及会添加比较传统的各种神经网络（BP,RBF,PNN,KNN等等），极限学习机，随机森林等等方法。

---

数据准备

数据集统一采用新疆某地光伏发电功率数据。

包含如下特征：组件温度(℃) 、温度(°)、 气压(hPa) 、湿度(%) 、总辐射(W/m2)、 直射辐射(W/m2)、 散射辐射(W/m2)，共7个特征值。最后一列为发电功率。

部分数据截图如下：

可以看到，该数据每15分钟采样一次，每个样本点有7个特征值和一个发电功率输出值。一天有96个采样点。

本次预测采用前3天的数据(3*96*7)，预测未来2天(96*2)个样本点的数据。

以1月份数据举个例子，也就是用1月1~3日的特征数据(3*96*7)预测1月4~5日(96*2)个样本点的数据，以1月2~4日的特征数据(3*96*7)预测1月5~6日(96*2)个样本点的数据……以此类推。

本次实验一共选取了30个样本，其中前29个样本用于训练，最后一个样本用于测试。

结果展示

每种方法的精度不一致，与自身的参数有关。对于这个风电数据来说，每个方法的效果都差不多。

一般去调整，“隐含层节点个数，学习率，训练次数，正则化参数”。调整这几个参数，就完全够用了。现在结合一些智能优化算法优化这些机器学习预测的，也无非就是调整一下这几个参数而已。

这里的参数，作者只是调了个大概，不至于很差。对于精度差的，并不代表这个方法就不好！大家可以调整参数已达到更好的效果！

每个模型跑完之后，都会有一个预测集效果对比图，和一个误差曲线图，并在命令窗口打印5种指标。

多步预测结果：

BiLSTM：

因为真实值的发电功率中有0，因此MAPE计算指标会是无穷大，对于这个数据来说，就不要看这个指标了。

---

BiGRU：

---

CNN:

---

GRU:

---

LSSVM:

LSTM:

TCN:

---

随机选取四种模型，对比结果图如下：

以上所有图片，代码均可实现！

后台私信获取代码。点击下方卡片获取更多代码！