319 lines
13 KiB
Python
319 lines
13 KiB
Python
import warnings
|
||
import pandas as pd # 导入pandas模块，用于数据处理和分析
|
||
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 argparse
|
||
import time
|
||
from src.model import *
|
||
warnings.filterwarnings("ignore") #取消警告
|
||
|
||
|
||
'''
|
||
## ☆☆☆☆注意 此程序与其他程序不同，此程序是基于Pytorch构建的各大网络！☆☆☆☆
|
||
此程序可以实现单输出和多输出的回归。只需要改66行的n_out参数即可。n_out=1时，默认最后一列为输出，n_out=2时，默认最后2列为输出，以此类推。
|
||
'''
|
||
|
||
|
||
## 设置每个网络必要的参数，这里的parser一般不需要变动。
|
||
parser = argparse.ArgumentParser()
|
||
parser.add_argument('--vision', type=bool, default=True)
|
||
parser.add_argument('--train_test_ratio', type=float, default=0.2)
|
||
parser.add_argument('--random_state', type=int, default=34)
|
||
# model
|
||
parser.add_argument('--model_name', type=str, default='BiLSTM_ekan',help='selection from LSTM,LSTM_ekan,TCN_ekan,TCN,Transformer,Transformer_ekan,BiLSTM,BiLSTM_ekan,GRU,GRU_e_kan')
|
||
parser.add_argument('--dropout', type=float, default=0.2)
|
||
parser.add_argument('--hidden_dim', type=int, default=32)
|
||
parser.add_argument('--n_layers', type=int, default=2)
|
||
##kan
|
||
parser.add_argument('--grid_size', type=int, default=200,help='grid')
|
||
##TCN
|
||
parser.add_argument('--num_channels', type=list, default=[25, 50, 25])
|
||
parser.add_argument('--kernel_size', type=int, default=3)
|
||
##transformer
|
||
parser.add_argument('--num_heads', type=int, default=4)
|
||
parser.add_argument('--hidden_space', type=int, default=32)
|
||
# training
|
||
parser.add_argument('--num_epochs', type=int, default=300)
|
||
parser.add_argument('--seed', type=int, default=1)
|
||
# optimizer
|
||
parser.add_argument('--lr', type=float, default=5e-4, help='Adam learning rate')
|
||
args = parser.parse_args(args=[])
|
||
args.device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')
|
||
|
||
|
||
## 读取数据，这里替换为你自己的数据即可！
|
||
dataset=pd.read_csv("共享单车租赁数据集.csv",encoding='gb2312')
|
||
# 使用pandas模块的read_csv函数读取名为"共享单车租赁数据集.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
|
||
|
||
values = dataset.values[:,2:] #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：
|
||
|
||
# 把数据集分为训练集和测试集
|
||
values = np.array(values)
|
||
# 将前面处理好的DataFrame（data）转换成numpy数组，方便后续的数据操作。
|
||
num_samples = values.shape[0]
|
||
n_out = 1 #选择最后1列作为输出，如果等于2，则选择最后2列作为输出
|
||
per = np.random.permutation(num_samples) #打乱后的行号，为加强回归效果，将数据集打乱
|
||
|
||
n_train_number = per[:int(num_samples * 0.8)] #选择80%作为训练集
|
||
n_test_number = per[int(num_samples * 0.8):] #选择80%作为训练集
|
||
# 计算训练集的大小。
|
||
# 设置70%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, :values.shape[1]-n_out] #取特征列
|
||
Ytrain = values[n_train_number, values.shape[1]-n_out:] #取最后n_out列为目标列
|
||
Ytrain = Ytrain.reshape(-1,n_out)
|
||
|
||
Xtest = values[n_test_number, :values.shape[1]-n_out]
|
||
Ytest = values[n_test_number, values.shape[1]-n_out:] #取最后n_out列为目标列
|
||
Ytest = Ytest.reshape(-1,n_out)
|
||
|
||
# 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], 1, vp_train.shape[1]))
|
||
# 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], 1, vp_test.shape[1]))
|
||
# 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]。
|
||
|
||
# 设置超参数，一般就变动这里，来提升你数据的准确度
|
||
input_dim = vp_train.shape[2] #输入维度，这个一般不需要改
|
||
output_dim = n_out #输出维度，这个一般不需要改
|
||
hidden_dim = 120 # 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
|
||
|
||
|
||
# 转换为torch数据
|
||
|
||
X_TRAIN = torch.from_numpy(vp_train).type(torch.Tensor)
|
||
Y_TRAIN = torch.from_numpy(vt_train).type(torch.Tensor)
|
||
X_TEST = torch.from_numpy(vp_test).type(torch.Tensor)
|
||
Y_TEST = torch.from_numpy(vt_test).type(torch.Tensor)
|
||
|
||
|
||
args.model_name ='TCN_KAN' #修改这里的模型名字，即可修改模型哦！可选：
|
||
|
||
|
||
if args.model_name=='LSTM':
|
||
model = LSTM(input_dim=input_dim, hidden_dim=hidden_dim, num_layers=num_layers, output_dim=output_dim)
|
||
elif args.model_name=='LSTM_KAN':
|
||
model = LSTM_ekan(input_dim=input_dim, hidden_dim=hidden_dim, num_layers=num_layers, output_dim=output_dim)
|
||
elif args.model_name=='BiLSTM':
|
||
model = BiLSTM(input_dim=input_dim, hidden_dim=hidden_dim, num_layers=num_layers, output_dim=output_dim)
|
||
elif args.model_name=='BiLSTM_KAN':
|
||
model = BiLSTM_ekan(input_dim=input_dim, hidden_dim=hidden_dim, num_layers=num_layers, output_dim=output_dim)
|
||
elif args.model_name=='GRU':
|
||
model = GRU(input_dim=input_dim, hidden_dim=hidden_dim, num_layers=num_layers, output_dim=output_dim)
|
||
elif args.model_name=='GRU_KAN':
|
||
model = GRU_ekan(input_dim=input_dim, hidden_dim=hidden_dim, num_layers=num_layers, output_dim=output_dim)
|
||
elif args.model_name=='TCN':
|
||
model = TemporalConvNet(num_inputs=input_dim, num_outputs=output_dim ,num_channels=args.num_channels, kernel_size=args.kernel_size, dropout=args.dropout)
|
||
elif args.model_name=='TCN_KAN':
|
||
model=TemporalConvNet_ekan(num_inputs=input_dim, num_outputs=output_dim ,num_channels=args.num_channels, kernel_size=args.kernel_size, dropout=args.dropout)
|
||
elif args.model_name=='Transformer':
|
||
model = TimeSeriesTransformer(input_dim=input_dim, num_heads=args.num_heads, num_layers=num_layers, num_outputs=output_dim, hidden_space=args.hidden_space,dropout_rate=args.dropout)
|
||
elif args.model_name=='Transformer_KAN':
|
||
model = TimeSeriesTransformer_ekan(input_dim=input_dim, num_heads=args.num_heads, num_layers=num_layers, num_outputs=output_dim, hidden_space=args.hidden_space,dropout_rate=args.dropout)
|
||
else:
|
||
print('please choose correct model name')
|
||
|
||
|
||
## 损失设定
|
||
criterion = torch.nn.MSELoss()
|
||
optimiser = torch.optim.Adam(model.parameters(), lr=0.01)
|
||
|
||
## 统计MSE均方误差和R2决定系数
|
||
MSE_hist = np.zeros(args.num_epochs)
|
||
R2_hist = np.zeros(args.num_epochs)
|
||
|
||
##开始时间统计和结果保存
|
||
start_time = time.time()
|
||
result = []
|
||
|
||
##循环训练
|
||
for t in range(args.num_epochs):
|
||
y_train_pred = model(X_TRAIN)
|
||
##损失计算
|
||
loss = criterion(y_train_pred, Y_TRAIN)
|
||
##R2计算
|
||
R2 = r2_score(y_train_pred.detach().numpy(), Y_TRAIN.detach().numpy())
|
||
print("Epoch ", t, "MSE: ", loss.item(), 'R2', R2.item())
|
||
|
||
# 统计每个时间步的损失和R2指标
|
||
MSE_hist[t] = loss.item()
|
||
if R2 < 0:
|
||
R2 = 0
|
||
R2_hist[t] = R2
|
||
optimiser.zero_grad()
|
||
loss.backward()
|
||
optimiser.step()
|
||
|
||
training_time = time.time() - start_time
|
||
print("Training time: {}".format(training_time))
|
||
|
||
|
||
# 测试集测试
|
||
y_test_pred = model(X_TEST)
|
||
|
||
|
||
yhat = y_test_pred.detach().numpy()
|
||
yhat = yhat.reshape(vp_test.shape[0], 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=0.8, label='predict',marker = "o",markersize=2)
|
||
# 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',marker = "x",markersize=2)
|
||
# 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 {args.model_name} :\nMAPE: {mape(Ytest[:, ii], predicted_data[:, ii])} %")
|
||
else:
|
||
plt.title(f"{ii+1} step of {args.model_name} 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！
|
||
'''
|
||
|
||
|