Python预测全家桶小白版，重大更新！建议所有人都下载！

CNN_BiLSTM、CNN_BiLSTM_Attention、Bagging、BiGRU、
BiGRU_Attention、BiLSTM、BiLSTM_Attention、BiTCN_BiGRU、
BiTCN_GRU、BiTCN_LSTM、BP、CART、CNN_BiGRU_Attention、
CNN_BiGRU、CNN_GRU_Attention、CNN_GRU、CNN_LSTM_Attention、
CNN_LSTM、ELM、GradientBoost、GRU、GRU_Attention、LSTM、
LSTM_Attention、RandomForest、RBF、SVR、TCN、TCN_RNN、TCN_LSTM、
TCN_GRU、TCN_BiGRU、XGBOOST、Transformer、BiLSTM_KAN、
 GRU_KAN、LSTM_KAN、Transformer_KAN、 seq2seq、RNN、
 wavenet、bert、informer

另外还包括一些双分解预测，智能优化算法结合模型的代码，这里就不再一一列出。

除此之外，在这里透露一下最近要出一期调用智能优化算法meaply库，实现对所有模型一键调用的代码，这样可以一下子采用上百种算法结合这些模型进行优化了，代码初步框架已经写好，就差调试与测试了，可以浅浅期待一下！

2. 主函数十分简单即可切换模型，预留了各模型接口参数，方便小白一键更改。主函数代码如下：

if __name__ == '__main__':
    dataset = pd.read_excel("风电场功率预测.xlsx")  #这里修改你的数据！
    # dataset=pd.read_csv("电力负荷预测数据2.csv",encoding='gb2312')
    # 参数'encoding'设置为'gbk'，这通常用于读取中文字符，确保文件中的中文字符能够正确读取。
    # 读取的数据被存储在名为'dataset'的DataFrame变量中。
    # print(dataset)  # 显示dataset数据
    # 单输入单步预测，就让valuess等于某一列数据，n_out = 1，n_in, num_samples, scroll_window 根据自己情况来
    # 单输入多步预测，就让valuess等于某一列数据，n_out > 1，n_in, num_samples, scroll_window 根据自己情况来
    # 多输入单步预测，就让valuess等于多列数据，n_out = 1，n_in, num_samples, scroll_window 根据自己情况来
    # 多输入多步预测，就让valuess等于多列数据，n_out > 1，n_in, num_samples, scroll_window 根据自己情况来
    ## 总结一下案例，需要哪个，就把哪个案例对照着改即可！
 
    ## 开始实验！！只改下面三行即可切换案例！！
    n_in = 8  # 输入前8个时刻的数据
    n_out = 1  # 预测未来一个时刻的负荷
    valuess = dataset.values[:, 1:]  # 只取第2列数据，要写成1:2；只取第3列数据，要写成2:3，取第2列之后(包含第二列)的所有数据，写成 1：，这时候就是多特征输入
    # 确保所有数据是浮动的
    valuess = valuess.astype('float32')
    # 将values数组中的数据类型转换为float32。
    # 这通常用于确保数据类型的一致性，特别是在准备输入到神经网络模型中时。
    or_dim = valuess.shape[1]  # 记录特征数据维度
    scroll_window = 1  # 如果等于1，下一个数据从第二行开始取。如果等于2，下一个数据从第三行开始取
    num_samples = 3000  # 可以设定从数据中取出多少个点用于本次网络的训练与测试。
    # 注意这里num_samples并不是数据的行数，因为数据在整理的时候，需要多步预测1步，或者预测多步，那么最后一个样本将会占据多行，因此一般要设置少于数据的行数
    train_ratio = 0.8  #训练集比例
    #调用数据整理的函数，关于测函数的机理是什么，请跳转Shared_def函数中查看data_collation的注释
    vp_train, vp_test, vt_train, vt_test, m_out,Ytest = data_collation(valuess, n_in, n_out, or_dim, scroll_window, num_samples,train_ratio)




    # 接下来就开始调用模型并开始训练喽！
    '''
        参数设置和模型选择
        可选模型有：把以下模型赋值给  flag变量即可！
       
        CNN_BiLSTM、CNN_BiLSTM_Attention、Bagging、BiGRU、BiGRU_Attention、BiLSTM、BiLSTM_Attention、BiTCN_BiGRU、BiTCN_GRU、BiTCN_LSTM
        BP、CART、CNN_BiGRU_Attention、CNN_BiGRU、CNN_GRU_Attention、CNN_GRU、CNN_LSTM_Attention、CNN_LSTM、ELM、GradientBoost、GRU
        GRU_Attention、LSTM、LSTM_Attention、RandomForest、RBF、SVR、TCN、TCN_RNN、TCN_LSTM、TCN_GRU、TCN_BiGRU、XGBOOST、Transformer、
        BiLSTM_KAN、 GRU_KAN、LSTM_KAN、Transformer_KAN、 seq2seq、RNN、wavenet、bert、informer
        
        提示：经检测，GradientBoost、SVR只适用于单步输出，多步输出时会报错，这是官方的包所致，因此在用这两个方法时，请将n_out改为1
        部分模型无法保存（只是一少部分）
    '''
    # 修改这里的flag即可切换不同的模型
    flag = 'LSTM_KAN'
    epochs = 80  #训练次数
    batch_size = 12  #最小批训练大小
    learning_rate = 1e-4  #学习率
    fit_or_not = 1 #是否重新训练,如果要改为0，请保证至少已经训练过一次了。
    # fit_or_not：,直接加载已保存的模型还是重新训练，本程序具备保存模型的功能，
    # fit_or_not=1时，就重新训练模型（并保存模型到"模型保存"文件夹里），
    # fit_or_not=0时，就直接加载保存好的模型进行训练（当然你得先有保存好的模型哦）


    # 更多关于每个模型的参数设置，请在本页面的many_model定义中找到对应模型自己动手修改，都做好修改接口了，很方便。


    #调用模型，并进行训练，训练之后，直接返回训练集的预测结果，测试集的预测结果，模型的训练过程（方便画训练损失函数曲线）。
    (xunlian_predicted_data, ceshi_predicted_data) = many_model(flag,fit_or_not,epochs,batch_size,learning_rate,
                           vp_train, vp_test, vt_train, vt_test, m_out,n_out,n_in,or_dim)


    #调用已经写好绘图函数
    plot_result(valuess,ceshi_predicted_data, Ytest, n_in,n_out,flag)

只要修改上述代码中的变量——flag，即可任意切换不同的模型。

关于各个模型的参数修改也简单，举例如下：

if flag == 'CNN_BiLSTM':
   #更多参数请在这里设置！
   #四个参数分别为：CNN滤波器个数，滤波器大小，正则化参数，BiLSTM的隐含层神经元个数
    filters, kernel_size, Dropout, Hidden_size = 64,2,0.1,32   
    xunlian_predicted_data, ceshi_predicted_data = model.run_CNN_BiLSTM(filters, kernel_size, Dropout, Hidden_size)
 if flag == 'TCN_RNN':
   #四个参数分别为：TCN滤波器个数，滤波器大小，正则化参数，RNN的隐含层神经元个数
    nb_filters,kernel_size,dro,RNN_units = 64,2,0.2,128
    xunlian_predicted_data, ceshi_predicted_data = model.run_TCN_RNN(nb_filters,kernel_size,dro,RNN_units)

这样，大家只需要找到想要修改的模型，修改相应的参数即可！

3.可对预测后的模型进行保存，在代码主函数中加入了一个变量fit_or_not，选择1，则正常进行模型训练，选择0，则直接调用保存好的模型进行训练。

fit_or_not = 1 #是否重新训练,如果要改为0，请保证至少已经训练过一次了。
 # fit_or_not：,直接加载已保存的模型还是重新训练，本程序具备保存模型的功能，
 # fit_or_not=1时，就重新训练模型（并保存模型到"模型保存"文件夹里），
 # fit_or_not=0时，就直接加载保存好的模型进行训练（当然你得先有保存好的模型哦）

4. 有详细的关于数据替换的示例介绍：准备了四种案例，只要按照注释一一修改这三个参数即可！（就不信小白还不会改数据！）

'''
        #案例1：单特征输入，单步预测
        #请按照以下进行设置：采用前12个时刻的所有负荷数据，预测未来一个小时的负荷值。
        n_in = 12  # 输入前12个时刻的数据
        n_out = 1  # 预测未来一个时刻的负荷
        valuess = dataset.values[:,-1:] #因为是单特征输入，那么就只输入最后一列负荷值就行了。 -1表示倒数第一列,注意看清楚，这里是 -1:
    '''
    '''
        #采用超前多步预测的时候，由于测试样本不止一个，因此绘图的时候，不可能全部都画出来，这里就挑出来一个测试样本进行绘图。
        # 案例2：单特征输入，超前多步预测
        #请按照以下进行设置：采用前96个时刻的所有负荷数据，预测未来24个小时的负荷值。
        n_in = 96  # 输入前96个时刻的数据
        n_out = 24  # 预测未来24个时刻的负荷
        valuess = dataset.values[:,-1:] #因为是单特征输入，那么就只输入最后一列负荷值就行了。 -1表示倒数第一列,注意看清楚，这里是 -1:
    '''

    '''
        # 案例3：多特征输入，单步预测
        # 请按照以下进行设置：采用前8个时刻的所有特征数据（包括已知的负荷值），预测未来一个小时的负荷值。
        n_in = 8  # 输入前8个时刻的数据
        n_out = 1  # 预测未来一个时刻的负荷
        valuess = dataset.values[:,1:] #只取第2列数据，要写成1:2；只取第3列数据，要写成2:3，取第2列之后(包含第二列)的所有数据，写成 1：，这时候就是多特征输入
        因为这里原始数据第一列都是时间，所以才写成了1:，意思是去除了时间列
    '''

    '''
        #采用超前多步预测的时候，由于测试样本不止一个，因此绘图的时候，不可能全部都画出来，这里就挑出来一个测试样本进行绘图。
        # 案例4：多特征输入，超前多步预测（这种预测模型难度较大，因此精度不一定会好！！！）
        # 请按照以下案例：采用前7天数据，预测未来一天（24个小时）的负荷值。
        n_in = 24*7  # 输入前7天数据，每天有24个小时，因此这里是24*7
        n_out = 24*1  # 预测未来一天的负荷值，也就是24个小时。因此这里是24,。
        valuess = dataset.values[:,1:] #只取第2列数据，要写成1:2；只取第3列数据，要写成2:3，取第2列之后(包含第二列)的所有数据，写成 1：，这时候就是多特征输入
        因为这里原始数据第一列都是时间，所以才写成了1:，意思是去除了时间列
    '''

只要你的数据也是这种形式（第一列为时间列，2~n-1列为特征列，最后一列为预测列），完全可以按照上述参数设置，简单进行四种案列的切换。

5.对预测结果进行保存，

运行模型后，会将训练集的预测结果和测试集的预测结果保存到《预测结果保存》文件夹内，同时还会将预测结果图，损失函数曲线图都保存下来。

接下来让我们简单挑选几个模型进行结果展示吧！

案例1：单特征输入，单步预测案例：

案例2：单特征输入，多步预测案例：

案例3：多特征输入，单步预测案例：

案例4：多特征输入，多步预测案例：

代码获取

已将本文代码更新至python预测全家桶。

后续会继续更新一些其他模型……敬请期待！

点击下方卡片关注，获取更多代码

python预测全家桶pip包推荐版如下：

tensorflow~=2.15.0
pandas~=2.2.0
openpyxl~=3.1.2
matplotlib~=3.8.2
numpy~=1.26.3
keras~=2.15.0
mplcyberpunk~=0.7.1
scikit-learn~=1.4.0
scipy~=1.12.0
qbstyles~=0.1.4
prettytable~=3.9.0
vmdpy~=0.2
xgboost~=2.0.3
mealpy~=3.0.1
torch~=2.3.1

推荐使用3.9版本的python哦！