400 lines
18 KiB
Python
400 lines
18 KiB
Python
|
|
|||
|
|
'''
|
|||
|
|
欢迎关注《淘个代码》公众号。
|
|||
|
|
如代码有问题，请公众号后台留言问题！不要问在吗在吗。
|
|||
|
|
直接截图留言问题！
|
|||
|
|
'''
|
|||
|
|
# In[1]:
|
|||
|
|
|
|||
|
|
# 调用相关库
|
|||
|
|
import os # 导入os模块，用于操作系统功能，比如环境变量
|
|||
|
|
import math # 导入math模块，提供基本的数学功能
|
|||
|
|
import pandas as pd # 导入pandas模块，用于数据处理和分析
|
|||
|
|
import openpyxl
|
|||
|
|
from math import sqrt # 从math模块导入sqrt函数，用于计算平方根
|
|||
|
|
from numpy import concatenate # 从numpy模块导入concatenate函数，用于数组拼接
|
|||
|
|
import matplotlib.pyplot as plt # 导入matplotlib.pyplot模块，用于绘图
|
|||
|
|
import numpy as np # 导入numpy模块，用于数值计算
|
|||
|
|
# import tensorflow as tf # 导入tensorflow模块，用于深度学习
|
|||
|
|
from sklearn.preprocessing import MinMaxScaler # 导入sklearn中的MinMaxScaler，用于特征缩放
|
|||
|
|
from sklearn.preprocessing import StandardScaler # 导入sklearn中的StandardScaler，用于特征标准化
|
|||
|
|
from sklearn.preprocessing import LabelEncoder # 导入sklearn中的LabelEncoder，用于标签编码
|
|||
|
|
from sklearn.metrics import mean_squared_error # 导入sklearn中的mean_squared_error，用于计算均方误差
|
|||
|
|
from tensorflow.keras.layers import * # 从tensorflow.keras.layers导入所有层，用于构建神经网络
|
|||
|
|
from tensorflow.keras.models import * # 从tensorflow.keras.models导入所有模型，用于构建和管理模型
|
|||
|
|
from sklearn.metrics import mean_squared_error, mean_absolute_error,r2_score # 导入额外的评估指标
|
|||
|
|
from pandas import DataFrame # 从pandas导入DataFrame，用于创建和操作数据表
|
|||
|
|
from pandas import concat # 从pandas导入concat函数，用于DataFrame的拼接
|
|||
|
|
import keras.backend as K # 导入keras的后端接口
|
|||
|
|
from scipy.io import savemat, loadmat # 从scipy.io导入savemat和loadmat，用于MATLAB文件的读写
|
|||
|
|
from sklearn.neural_network import MLPRegressor # 从sklearn.neural_network导入MLPRegressor，用于创建多层感知器回归模型
|
|||
|
|
from keras.callbacks import LearningRateScheduler # 从keras.callbacks导入LearningRateScheduler，用于调整学习率
|
|||
|
|
from tensorflow.keras import Input, Model, Sequential # 从tensorflow.keras导入Input, Model和Sequential，用于模型构建
|
|||
|
|
import mplcyberpunk
|
|||
|
|
from qbstyles import mpl_style
|
|||
|
|
import warnings
|
|||
|
|
from prettytable import PrettyTable #可以优美的打印表格结果
|
|||
|
|
from keras.layers import Dense, Activation, Dropout, LSTM, Bidirectional, LayerNormalization, Input
|
|||
|
|
# 从keras.layers模块导入多种层类型。
|
|||
|
|
# Dense是用于创建全连接层的类。
|
|||
|
|
# Activation是用于添加激活函数的层。
|
|||
|
|
# Dropout是用于减少过拟合的丢弃层。
|
|||
|
|
# LSTM是长短时记忆网络层，用于处理序列数据。
|
|||
|
|
# Bidirectional是用于创建双向LSTM层的包装器。
|
|||
|
|
# LayerNormalization是用于层级归一化的类。
|
|||
|
|
# Input是用于模型输入层的函数。
|
|||
|
|
from tensorflow.keras.models import Model
|
|||
|
|
# 从tensorflow.keras.models模块导入Model类。
|
|||
|
|
# Model是用于创建Keras函数式API模型的类。
|
|||
|
|
warnings.filterwarnings("ignore") #取消警告
|
|||
|
|
|
|||
|
|
|
|||
|
|
dataset=pd.read_csv("电力负荷预测数据2.csv",encoding='gb2312')
|
|||
|
|
# 使用pandas模块的read_csv函数读取名为"电力负荷预测数据2.csv"的文件。
|
|||
|
|
# 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
|
|||
|
|
|
|||
|
|
dataset_vmd = pd.read_excel("VMD.xlsx")
|
|||
|
|
# 使用pandas模块的read_excel函数读取名为"VMD.xlsx"的文件。
|
|||
|
|
values_vmd = dataset_vmd.values
|
|||
|
|
values_vmd = values_vmd.astype('float32')
|
|||
|
|
|
|||
|
|
# 单输入单步预测，就让values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values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values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values等于多列数据，n_out > 1，n_in, num_samples, scroll_window 根据自己情况来
|
|||
|
|
values = 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：
|
|||
|
|
# 从dataset DataFrame中提取数据。
|
|||
|
|
# dataset.values将DataFrame转换为numpy数组。
|
|||
|
|
# [:,1:]表示选择所有行（:）和从第二列到最后一列（1:）的数据。
|
|||
|
|
# 这样做通常是为了去除第一列，这在第一列是索引或不需要的数据时很常见。
|
|||
|
|
|
|||
|
|
|
|||
|
|
|
|||
|
|
# 确保所有数据是浮动的
|
|||
|
|
values = values.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。
|
|||
|
|
|
|||
|
|
|
|||
|
|
|
|||
|
|
|
|||
|
|
def data_collation(data, n_in, n_out, or_dim, scroll_window, num_samples):
|
|||
|
|
res = np.zeros((num_samples,n_in*or_dim+n_out))
|
|||
|
|
for i in range(0, num_samples):
|
|||
|
|
h1 = data[scroll_window*i: n_in+scroll_window*i,0:or_dim]
|
|||
|
|
h2 = h1.reshape( 1, n_in*or_dim)
|
|||
|
|
h3 = data[n_in+scroll_window*(i) : n_in+scroll_window*(i)+n_out,-1].T
|
|||
|
|
h4 = h3[np.newaxis, :]
|
|||
|
|
h5 = np.hstack((h2,h4))
|
|||
|
|
res[i,:] = h5
|
|||
|
|
return res
|
|||
|
|
# 关于此函数怎么用，下面详细举例介绍：
|
|||
|
|
# 构造数据，这个函数可以实现单输入单输出，单输入多输出，多输入单输出，和多输入多输出。
|
|||
|
|
# 举个例子：
|
|||
|
|
# 假如原始数据为,其中务必使得数据前n-1列都为特征，最后一列为输出
|
|||
|
|
# [0.74 0.8 0.23 750.75
|
|||
|
|
# 0.74 0.87 0.15 716.94
|
|||
|
|
# 0.74 0.87 0.15 712.77
|
|||
|
|
# 0.74 0.8 0.15 684.86
|
|||
|
|
# 0.74 0.8 0.15 728.79
|
|||
|
|
# 0.72 0.87 0.08 742.81
|
|||
|
|
# 0.71 0.99 0.16 751.3]
|
|||
|
|
|
|||
|
|
#（多输入多输出为例），假如n_in = 2，n_out=2，scroll_window=1
|
|||
|
|
# 输入前2行数据的特征，预测未来2个时刻的数据，滑动窗口为1。
|
|||
|
|
# 使用此函数后，数据会变成：
|
|||
|
|
# 【0.74 0.8 0.23 750.75 0.74 0.87 0.15 716.94 712.77 684.86
|
|||
|
|
# 0.74 0.87 0.15 716.94 0.74 0.87 0.15 712.77 684.86 728.79
|
|||
|
|
# 0.74 0.87 0.15 712.77 0.74 0.8 0.15 684.86 728.79 742.81】
|
|||
|
|
|
|||
|
|
# 假如n_in = 2，n_out=1，scroll_window=2
|
|||
|
|
# 输入前2行数据的特征，预测未来1个时刻的数据，滑动窗口为2。
|
|||
|
|
# 使用此函数后，数据会变成：
|
|||
|
|
# 【0.74 0.8 0.23 750.75 0.74 0.87 0.15 716.94 712.77
|
|||
|
|
# 0.74 0.87 0.15 712.77 0.74 0.8 0.15 684.86 728.79
|
|||
|
|
# 0.74 0.8 0.15 728.79 0.72 0.87 0.08 742.81 751.3】
|
|||
|
|
#写到这里相比大家已经完全明白次函数的用法啦！欢迎关注《淘个代码》公众号！获取更多代码！
|
|||
|
|
#单输入单输出，和单输入多输出也是这么个用法！单输入无非就是数据维度变低了而已。欢迎关注《淘个代码》公众号！获取更多代码！
|
|||
|
|
|
|||
|
|
|
|||
|
|
|
|||
|
|
def attention_layer(inputs, time_steps):
|
|||
|
|
# 自定义的注意力机制层
|
|||
|
|
a = Permute((2, 1))(inputs) # 将特征维度和时间步维度互换
|
|||
|
|
a = Dense(time_steps, activation='softmax')(a) # 使用Dense层计算时间步的权重
|
|||
|
|
a_probs = Permute((2, 1), name='attention_vec')(a) # 再次互换维度，使其与原始输入对齐
|
|||
|
|
output_attention_mul = Multiply()([inputs, a_probs]) # 将注意力权重应用到输入上
|
|||
|
|
return output_attention_mul
|
|||
|
|
|
|||
|
|
def cnn_bilstm_attention_model():
|
|||
|
|
# 定义一个包含CNN, LSTM和注意力机制的模型
|
|||
|
|
inputs = Input(shape=(vp_train.shape[1], vp_train.shape[2]))
|
|||
|
|
conv1d = Conv1D(filters=64, kernel_size=2, activation='relu')(inputs)
|
|||
|
|
maxpooling = MaxPooling1D(pool_size=2)(conv1d)
|
|||
|
|
reshaped = Reshape((-1, 64 * maxpooling.shape[1]))(maxpooling) # 重塑形状以适应LSTM层
|
|||
|
|
lstm_out = Bidirectional(LSTM(128, return_sequences=True))(reshaped) # LSTM层
|
|||
|
|
attention_out = attention_layer(lstm_out, time_steps=reshaped.shape[1]) # 注意力机制层
|
|||
|
|
attention_flatten = Flatten()(attention_out) # 展平输出以适应全连接层
|
|||
|
|
outputs = Dense(vt_train.shape[1])(attention_flatten) # 全连接层
|
|||
|
|
|
|||
|
|
model = Model(inputs=inputs, outputs=outputs)
|
|||
|
|
model.compile(loss='mse', optimizer='Adam')
|
|||
|
|
model.summary()
|
|||
|
|
|
|||
|
|
return model
|
|||
|
|
|
|||
|
|
|
|||
|
|
#定义输入和输出
|
|||
|
|
n_in = 5 # 输入前5行的数据
|
|||
|
|
n_out = 1 # 预测未来1步的数据
|
|||
|
|
or_dim = values.shape[1] # 记录特征数据维度
|
|||
|
|
num_samples = 2000 # 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。
|
|||
|
|
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
|
|||
|
|
n_train_number = int(num_samples * 0.85) #取出85%作为训练集，剩余的为测试集
|
|||
|
|
n_test_number = num_samples - n_train_number #测试集数量
|
|||
|
|
predicted_data =[]
|
|||
|
|
actual_data = []
|
|||
|
|
# In[7]:
|
|||
|
|
for vmd_num in range (0,len(values_vmd[0])):
|
|||
|
|
imf = values_vmd[:,vmd_num]
|
|||
|
|
imf = imf.reshape(-1,1)
|
|||
|
|
combined_data = np.hstack((values[:,0:-1],imf)) # 把VMD分解的每列数据与原始数据特征列组合到一起
|
|||
|
|
|
|||
|
|
res = data_collation(combined_data, n_in, n_out, or_dim, scroll_window, num_samples)
|
|||
|
|
# 把数据集分为训练集和测试集
|
|||
|
|
combined_data = np.array(res)
|
|||
|
|
# 将前面处理好的DataFrame（combined_data）转换成numpy数组，方便后续的数据操作。
|
|||
|
|
|
|||
|
|
n_train_number = int(num_samples * 0.85)
|
|||
|
|
# 计算训练集的大小。
|
|||
|
|
# 设置80%作为训练集
|
|||
|
|
# int(...) 确保得到的训练集大小是一个整数。
|
|||
|
|
# 先划分数据集，在进行归一化，这才是正确的做法！
|
|||
|
|
Xtrain = combined_data[:n_train_number, :n_in*or_dim]
|
|||
|
|
Ytrain = combined_data[:n_train_number, n_in*or_dim:]
|
|||
|
|
|
|||
|
|
|
|||
|
|
Xtest = combined_data[n_train_number:, :n_in*or_dim]
|
|||
|
|
Ytest = combined_data[n_train_number:, n_in*or_dim:]
|
|||
|
|
|
|||
|
|
# 对训练集和测试集进行归一化
|
|||
|
|
m_in = MinMaxScaler()
|
|||
|
|
vp_train = m_in.fit_transform(Xtrain) # 注意fit_transform() 和 transform()的区别
|
|||
|
|
vp_test = m_in.transform(Xtest) # 注意fit_transform() 和 transform()的区别
|
|||
|
|
|
|||
|
|
m_out = MinMaxScaler()
|
|||
|
|
vt_train = m_out.fit_transform(Ytrain) # 注意fit_transform() 和 transform()的区别
|
|||
|
|
vt_test = m_out.transform(Ytest) # 注意fit_transform() 和 transform()的区别
|
|||
|
|
|
|||
|
|
|
|||
|
|
|
|||
|
|
# In[10]:
|
|||
|
|
|
|||
|
|
vp_train = vp_train.reshape((vp_train.shape[0], n_in, or_dim))
|
|||
|
|
# 将训练集的输入数据vp_train重塑成三维格式。
|
|||
|
|
# 结果是一个三维数组，其形状为[样本数量, 时间步长, 特征数量]。
|
|||
|
|
|
|||
|
|
vp_test = vp_test.reshape((vp_test.shape[0], n_in, or_dim))
|
|||
|
|
# 将训练集的输入数据vp_test重塑成三维格式。
|
|||
|
|
# 结果是一个三维数组，其形状为[样本数量, 时间步长, 特征数量]。
|
|||
|
|
|
|||
|
|
# In[12]:
|
|||
|
|
|
|||
|
|
model = cnn_bilstm_attention_model()
|
|||
|
|
# 调用lstm_model函数来建立LSTM模型
|
|||
|
|
|
|||
|
|
|
|||
|
|
model.fit(vp_train, vt_train, batch_size=32, epochs=50, validation_split=0.25, verbose=2)
|
|||
|
|
# 训练模型。指定批处理大小为72，训练轮数为50，将25%的数据用作验证集。
|
|||
|
|
# verbose=2表示在训练过程中会输出详细信息。
|
|||
|
|
|
|||
|
|
# In[14]:
|
|||
|
|
# 作出预测
|
|||
|
|
yhat = model.predict(vp_test)
|
|||
|
|
# 使用模型对测试集的输入特征(vp_test)进行预测。
|
|||
|
|
# yhat是模型预测的输出值。
|
|||
|
|
yhat = yhat.reshape(num_samples-n_train_number, n_out)
|
|||
|
|
# 将预测值yhat重塑为二维数组，以便进行后续操作。
|
|||
|
|
yy = m_out.inverse_transform(yhat) # 反归一化
|
|||
|
|
|
|||
|
|
predicted_data.append(yy)
|
|||
|
|
actual_data.append(Ytest)
|
|||
|
|
|
|||
|
|
pre_test = []
|
|||
|
|
# 初始化一个空列表 mean_pre_test，用于存储每个时间点的预测值总和。
|
|||
|
|
for i in range(0, len(predicted_data[0])):
|
|||
|
|
# 遍历预测结果的每个时间点。
|
|||
|
|
sum = 0
|
|||
|
|
# 初始化变量 sum，用于累加当前时间点的所有预测值。
|
|||
|
|
for j in range(0, len(predicted_data)):
|
|||
|
|
# 内层循环，遍历所有预测结果。
|
|||
|
|
sum = sum + predicted_data[j][i]
|
|||
|
|
# 将当前时间点的预测值累加到 sum。
|
|||
|
|
# mean = sum / len(prediction_test)
|
|||
|
|
# 这一行被注释掉了，本应用于计算平均值，但目前不执行。
|
|||
|
|
pre_test.append(sum)
|
|||
|
|
# 将累加后的总和添加到 mean_pre_test 列表。
|
|||
|
|
|
|||
|
|
|
|||
|
|
# actual_test = []
|
|||
|
|
# for i in range(0, len(actual_data[0])):
|
|||
|
|
# # 遍历预测结果的每个时间点。
|
|||
|
|
# sum = 0
|
|||
|
|
# # 初始化变量 sum，用于累加当前时间点的所有预测值。
|
|||
|
|
# for j in range(0, len(actual_data)):
|
|||
|
|
# # 内层循环，遍历所有预测结果。
|
|||
|
|
# sum = sum + actual_data[j][i]
|
|||
|
|
# # 将当前时间点的预测值累加到 sum。
|
|||
|
|
# # mean = sum / len(prediction_test)
|
|||
|
|
# # 这一行被注释掉了，本应用于计算平均值，但目前不执行。
|
|||
|
|
# actual_test.append(sum)
|
|||
|
|
# # 将累加后的总和添加到 mean_pre_test 列表。
|
|||
|
|
#
|
|||
|
|
# actual_test = np.array(actual_test)
|
|||
|
|
|
|||
|
|
pre_test = np.array(pre_test)
|
|||
|
|
|
|||
|
|
|
|||
|
|
# 从原始数据中，取出来真实输出值
|
|||
|
|
res = data_collation(values, n_in, n_out, or_dim, scroll_window, num_samples)
|
|||
|
|
values = np.array(res)
|
|||
|
|
actual_test = values[n_train_number:, n_in*or_dim:]
|
|||
|
|
actual_test = actual_test.reshape(num_samples-n_train_number, n_out)
|
|||
|
|
# actual_test就是真实的输出值
|
|||
|
|
|
|||
|
|
def mape(y_true, y_pred):
|
|||
|
|
# 定义一个计算平均绝对百分比误差（MAPE）的函数。
|
|||
|
|
record = []
|
|||
|
|
for index in range(len(y_true)):
|
|||
|
|
# 遍历实际值和预测值。
|
|||
|
|
temp_mape = np.abs((y_pred[index] - y_true[index]) / y_true[index])
|
|||
|
|
# 计算单个预测的MAPE。
|
|||
|
|
record.append(temp_mape)
|
|||
|
|
# 将MAPE添加到记录列表中。
|
|||
|
|
return np.mean(record) * 100
|
|||
|
|
# 返回所有记录的平均值，乘以100得到百分比。
|
|||
|
|
|
|||
|
|
def evaluate_forecasts(Ytest, predicted_data, n_out):
|
|||
|
|
# 定义一个函数来评估预测的性能。
|
|||
|
|
mse_dic = []
|
|||
|
|
rmse_dic = []
|
|||
|
|
mae_dic = []
|
|||
|
|
mape_dic = []
|
|||
|
|
r2_dic = []
|
|||
|
|
# 初始化存储各个评估指标的字典。
|
|||
|
|
table = PrettyTable(['测试集指标','MSE', 'RMSE', 'MAE', 'MAPE','R2'])
|
|||
|
|
for i in range(n_out):
|
|||
|
|
# 遍历每一个预测步长。每一列代表一步预测，现在是在求每步预测的指标
|
|||
|
|
actual = [float(row[i]) for row in Ytest] #一列列提取
|
|||
|
|
# 从测试集中提取实际值。
|
|||
|
|
predicted = [float(row[i]) for row in predicted_data]
|
|||
|
|
# 从预测结果中提取预测值。
|
|||
|
|
mse = mean_squared_error(actual, predicted)
|
|||
|
|
# 计算均方误差（MSE）。
|
|||
|
|
mse_dic.append(mse)
|
|||
|
|
rmse = sqrt(mean_squared_error(actual, predicted))
|
|||
|
|
# 计算均方根误差（RMSE）。
|
|||
|
|
rmse_dic.append(rmse)
|
|||
|
|
mae = mean_absolute_error(actual, predicted)
|
|||
|
|
# 计算平均绝对误差（MAE）。
|
|||
|
|
mae_dic.append(mae)
|
|||
|
|
MApe = mape(actual, predicted)
|
|||
|
|
# 计算平均绝对百分比误差（MAPE）。
|
|||
|
|
mape_dic.append(MApe)
|
|||
|
|
r2 = r2_score(actual, predicted)
|
|||
|
|
# 计算R平方值（R2）。
|
|||
|
|
r2_dic.append(r2)
|
|||
|
|
if n_out == 1:
|
|||
|
|
strr = '预测结果指标：'
|
|||
|
|
else:
|
|||
|
|
strr = '第'+ str(i + 1)+'步预测结果指标：'
|
|||
|
|
table.add_row([strr, mse, rmse, mae, str(MApe)+'%', str(r2*100)+'%'])
|
|||
|
|
|
|||
|
|
return mse_dic,rmse_dic, mae_dic, mape_dic, r2_dic, table
|
|||
|
|
# 返回包含所有评估指标的字典。
|
|||
|
|
|
|||
|
|
|
|||
|
|
|
|||
|
|
mse_dic,rmse_dic, mae_dic, mape_dic, r2_dic, table = evaluate_forecasts(actual_test, pre_test, n_out)
|
|||
|
|
# 调用evaluate_forecasts函数。
|
|||
|
|
# 传递实际值(inv_y)、预测值(inv_yhat)以及预测的步数(n_out)作为参数。
|
|||
|
|
# 此函数将计算每个预测步长的RMSE、MAE、MAPE和R2值。
|
|||
|
|
|
|||
|
|
# In[16]:
|
|||
|
|
|
|||
|
|
|
|||
|
|
print(table)#显示预测指标数值
|
|||
|
|
|
|||
|
|
|
|||
|
|
# In[16]:
|
|||
|
|
|
|||
|
|
|
|||
|
|
#%%
|
|||
|
|
## 画结果图
|
|||
|
|
from matplotlib import rcParams
|
|||
|
|
|
|||
|
|
config = {
|
|||
|
|
"font.family": 'serif',
|
|||
|
|
"font.size": 10,# 相当于小四大小
|
|||
|
|
"mathtext.fontset": 'stix',#matplotlib渲染数学字体时使用的字体，和Times New Roman差别不大
|
|||
|
|
"font.serif": ['Times New Roman'],#Times New Roman
|
|||
|
|
'axes.unicode_minus': False # 处理负号，即-号
|
|||
|
|
}
|
|||
|
|
rcParams.update(config)
|
|||
|
|
|
|||
|
|
plt.ion()
|
|||
|
|
for ii in range(n_out):
|
|||
|
|
|
|||
|
|
plt.rcParams['axes.unicode_minus'] = False
|
|||
|
|
# 设置matplotlib的配置，用来正常显示负号。
|
|||
|
|
# 使用赛博朋克风样式
|
|||
|
|
plt.style.use('cyberpunk')
|
|||
|
|
# 创建一个图形对象，并设置大小为10x2英寸，分辨率为300dpi。
|
|||
|
|
plt.figure(figsize=(10, 2), dpi=300)
|
|||
|
|
x = range(1, len(actual_test) + 1)
|
|||
|
|
# 创建x轴的值，从1到实际值列表的长度。
|
|||
|
|
plt.xticks(x[::int((len(actual_test)+1))])
|
|||
|
|
# 设置x轴的刻度，每几个点显示一个刻度。
|
|||
|
|
plt.tick_params(labelsize=5) # 改变刻度字体大小
|
|||
|
|
# 设置刻度标签的字体大小。
|
|||
|
|
plt.plot(x, pre_test[:,ii], linestyle="--",linewidth=0.5, label='predict')
|
|||
|
|
# 绘制预测值的折线图，线型为虚线，线宽为0.5，标签为'predict'。
|
|||
|
|
|
|||
|
|
plt.plot(x, actual_test[:,ii], linestyle="-", linewidth=0.5,label='Real')
|
|||
|
|
# 绘制实际值的折线图，线型为直线，线宽为0.5，标签为'Real'。
|
|||
|
|
|
|||
|
|
plt.rcParams.update({'font.size': 5}) # 改变图例里面的字体大小
|
|||
|
|
# 更新图例的字体大小。
|
|||
|
|
|
|||
|
|
plt.legend(loc='upper right', frameon=False)
|
|||
|
|
# 显示图例，位置在图形的右上角，没有边框。
|
|||
|
|
|
|||
|
|
plt.xlabel("Sample points", fontsize=5)
|
|||
|
|
# 设置x轴标签为"样本点"，字体大小为5。
|
|||
|
|
|
|||
|
|
plt.ylabel("value", fontsize=5)
|
|||
|
|
# 设置y轴标签为"值"，字体大小为5。
|
|||
|
|
if n_out == 1: #如果是单步预测
|
|||
|
|
plt.title(f"The prediction result of VMD-CNN-BiLSTM-Attention :\nMAPE: {mape(actual_test[:, ii], pre_test[:, ii])} %")
|
|||
|
|
else:
|
|||
|
|
plt.title(f"{ii+1} step of VMD-CNN-BiLSTM-Attention prediction\nMAPE: {mape(actual_test[:,ii], pre_test[:,ii])} %")
|
|||
|
|
# plt.xlim(xmin=600, xmax=700) # 显示600-1000的值 局部放大有利于观察
|
|||
|
|
# 如果需要，可以取消注释这行代码，以局部放大显示600到700之间的值。
|
|||
|
|
|
|||
|
|
# plt.savefig('figure/预测结果图.png')
|
|||
|
|
# 如果需要，可以取消注释这行代码，以将图形保存为PNG文件。
|
|||
|
|
|
|||
|
|
plt.ioff() # 关闭交互模式
|
|||
|
|
plt.show()
|
|||
|
|
# 显示图形。
|
|||
|
|
|
|||
|
|
'''
|
|||
|
|
欢迎关注《淘个代码》公众号。
|
|||
|
|
如代码有问题，请公众号后台留言问题！不要问在吗在吗。
|
|||
|
|
直接截图留言问题！
|
|||
|
|
'''
|
|||
|
|
|
|||
|
|
|