import warnings import pandas as pd # 导入pandas模块，用于数据处理和分析 import torch import torch.nn as nn import torch.optim as optim import numpy as np from sklearn.preprocessing import MinMaxScaler # 导入sklearn中的MinMaxScaler，用于特征缩放 from prettytable import PrettyTable #可以优美的打印表格结果 import matplotlib.pyplot as plt # 导入matplotlib.pyplot模块，用于绘图 from sklearn.metrics import mean_squared_error, mean_absolute_error,r2_score # 导入额外的评估指标 from math import sqrt # 从math模块导入sqrt函数，用于计算平方根 import mplcyberpunk from src.efficient_kan import KAN warnings.filterwarnings("ignore") #取消警告 dataset=pd.read_excel("风电场功率预测.xlsx") # 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"农林牧渔.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 # 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 = values[scroll_window*i: n_in+scroll_window*i,0:or_dim] h2 = h1.reshape( 1, n_in*or_dim) h3 = values[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！ # In[7]: # 这里来个多特征输入，多步预测的案例 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 = 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。 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 res = data_collation(values, n_in, n_out, or_dim, scroll_window, num_samples) # 把数据集分为训练集和测试集 values = np.array(res) # 将前面处理好的DataFrame（data）转换成numpy数组，方便后续的数据操作。 n_train_number = int(num_samples * 0.7) # 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 = values[:n_train_number, :n_in*or_dim] Ytrain = values[:n_train_number, n_in*or_dim:] Xtest = values[n_train_number:, :n_in*or_dim] Ytest = values[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]。 # 定义 BiLSTM-KAN 模型 class BiLSTM_ekan(nn.Module): def __init__(self, input_dim, hidden_dim, num_layers, output_dim): super(BiLSTM_ekan, self).__init__() self.hidden_dim = hidden_dim self.num_layers = num_layers # 双向LSTM网络层 self.lstm = nn.LSTM(input_dim, hidden_dim, num_layers, batch_first=True, bidirectional=True) # 注意：因为是双向，所以全连接层的输入是 hidden_dim * 2 self.e_kan = KAN([hidden_dim* 2, 10, output_dim]) def forward(self, x): # 初始化隐藏状态和细胞状态 h0 = torch.zeros(self.num_layers * 2, x.size(0), self.hidden_dim).requires_grad_() c0 = torch.zeros(self.num_layers * 2, x.size(0), self.hidden_dim).requires_grad_() # 前向传播双向LSTM out, (hn, cn) = self.lstm(x, (h0.detach(), c0.detach())) # 取双向的最后一个时间步的输出 out = self.e_kan(out[:, -1, :]) return out # 设置超参数 input_dim = or_dim #输入维度 output_dim = n_out #输出维度 hidden_dim = 128 # Feed Forward层（Attention后面的全连接网络）的隐藏层的神经元数量。该值越大，网络参数量越多，计算量越大。 num_layers = 2 #层数 dropout_prob = 0.1 #dropout值。默认值为0.01 learning_rate = 0.001 num_epochs = 30 batch_size = 32 # seq_length = 10 # 初始化模型、损失函数和优化器 model = BiLSTM_ekan(input_dim, hidden_dim,num_layers,output_dim) criterion = nn.MSELoss() optimizer = optim.Adam(model.parameters(), lr=learning_rate) # 训练模型 X_TRAIN = torch.tensor(vp_train, dtype=torch.float32) Y_TRAIN = torch.tensor(vt_train, dtype=torch.float32) X_TEST = torch.tensor(vp_test, dtype=torch.float32) Y_TEST = torch.tensor(vt_test, dtype=torch.float32) # 初始化列表用于记录每个epoch的总损失 epoch_losses = [] for epoch in range(num_epochs): total_loss = 0 # 初始化当前epoch的总损失 for i in range(0, n_train_number, batch_size): # zero out gradients for next pass # pytorch accumulates gradients from backwards passes (convenient for RNNs) batch_X = X_TRAIN[i:i+batch_size] batch_y = Y_TRAIN[i:i+batch_size] # 前向传播 output = model(batch_X) # 计算损失 loss = criterion(output.squeeze(), batch_y) optimizer.zero_grad() # 清空优化器的梯度 loss.backward() # 反向传播，计算梯度 optimizer.step() # 更新模型参数 total_loss += loss.item() # 累加当前batch的损失值到total_loss # 记录每个epoch的总损失 epoch_losses.append(total_loss) # 在终端输出第多少轮和对应的loss print(f'Epoch {epoch + 1}, Loss: {total_loss}') # 绘制历史数据 plt.plot(epoch_losses, label='train') # 绘制训练过程中的损失曲线。 plt.legend() # 显示图例，方便识别每条曲线代表的数据集。 plt.show() # 展示绘制的图像。 # 模型评估 model.eval() with torch.no_grad(): # 对测试数据进行预测 pred = model(X_TEST) # 计算测试损失 test_loss = criterion(pred.squeeze(), Y_TEST) print(f'Test Loss: {test_loss.item():.4f}') yhat = pred.numpy() 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。 predicted_data = m_out.inverse_transform(yhat) # 反归一化 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) # 返回所有记录的平均值。 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(Ytest, predicted_data, 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。 # 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(predicted_data) + 1) # 创建x轴的值，从1到实际值列表的长度。 # plt.xticks(x[::int((len(predicted_data)+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, predicted_data[:,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, Ytest[:,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 BiLSTM-KAN :\nMAPE: {mape(Ytest[:, ii], predicted_data[:, ii])} %") else: plt.title(f"{ii+1} step of BiLSTM-KAN prediction\nMAPE: {mape(Ytest[:,ii], predicted_data[:,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！ '''