391 lines
17 KiB
Python
391 lines
17 KiB
Python
|
||
|
||
# In[1]:
|
||
'''
|
||
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！
|
||
'''
|
||
# 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
|
||
warnings.filterwarnings("ignore") #取消警告
|
||
|
||
|
||
dataset=pd.read_csv("电力负荷预测数据1.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]:
|
||
# 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
|
||
|
||
n_in = 5 # 输入前5行的数据
|
||
n_out = 2 # 预测未来2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
|
||
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 * 0.85)
|
||
# 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 = 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]。
|
||
|
||
|
||
# In[11]:
|
||
|
||
|
||
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。
|
||
|
||
from sklearn.model_selection import KFold
|
||
# 从sklearn.model_selection模块导入KFold类。
|
||
# KFold是一种交叉验证方法，用于评估模型的泛化能力。
|
||
|
||
|
||
# In[12]:
|
||
|
||
|
||
def attention_layer(inputs, single_attention_vector=False):
|
||
# 注意力机制层的实现
|
||
time_steps = K.int_shape(inputs)[1] # 获取输入的时间步长
|
||
input_dim = K.int_shape(inputs)[2] # 获取输入特征的维度
|
||
a = Permute((2, 1))(inputs) # 将时间步长和特征维度互换，为了后续的处理
|
||
a = Reshape((input_dim, time_steps))(a) # 重塑形状，以适应Dense层
|
||
a = Dense(time_steps, activation='softmax')(a) # 使用Dense层和softmax激活函数计算注意力权重
|
||
if single_attention_vector:
|
||
a = Lambda(lambda x: K.mean(x, axis=1), name='dim_reduction')(a) # 如需，减少维度
|
||
a = RepeatVector(input_dim)(a) # 重复向量以匹配输入的维度
|
||
a_probs = Permute((2, 1), name='attention_vec')(a) # 再次互换维度，将其变回原来的形状
|
||
output_attention_mul = Multiply()([inputs, a_probs]) # 将注意力权重应用于输入
|
||
return output_attention_mul
|
||
|
||
def bilstm_attention_model():
|
||
# 定义一个包含LSTM和注意力机制的模型
|
||
inputs = Input(shape=(vp_train.shape[1], vp_train.shape[2]))
|
||
# 输入层，定义输入数据的形状
|
||
lstm_out = Bidirectional(LSTM(128, return_sequences=True))(inputs)
|
||
# LSTM层，128个神经元，return_sequences=True使得每个时间步的输出都保留
|
||
attention_mul = attention_layer(lstm_out)
|
||
# 应用自定义的注意力层
|
||
attention_flatten = Flatten()(attention_mul)
|
||
# 使用Flatten层将数据展平，以便传递给Dense层
|
||
outputs = Dense(vt_train.shape[1])(attention_flatten)
|
||
# 全连接层，输出维度与train_y的形状一致
|
||
|
||
model = Model(inputs=[inputs], outputs=outputs)
|
||
# 创建模型，定义输入和输出
|
||
model.compile(loss='mse', optimizer='Adam')
|
||
# 编译模型，使用均方误差作为损失函数，优化器为Adam
|
||
model.summary()
|
||
# 输出模型的总结信息
|
||
|
||
return model
|
||
|
||
model = bilstm_attention_model()
|
||
# 调用bilstm_model函数来建立BiLSTM-Attention模型。
|
||
|
||
|
||
history = 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32，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[13]:
|
||
|
||
|
||
# 绘制历史数据
|
||
plt.plot(history.history['loss'], label='train')
|
||
# 绘制训练过程中的损失曲线。
|
||
# history.history['loss']获取训练集上每个epoch的损失值。
|
||
# 'label='train''设置该曲线的标签为'train'。
|
||
|
||
plt.plot(history.history['val_loss'], label='test')
|
||
# 绘制验证过程中的损失曲线。
|
||
# history.history['val_loss']获取验证集上每个epoch的损失值。
|
||
# 'label='test''设置该曲线的标签为'test'。
|
||
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。
|
||
|
||
|
||
# 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。
|
||
|
||
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) * 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(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。
|
||
# 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(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-Attention :\nMAPE: {mape(Ytest[:, ii], predicted_data[:, ii])} %")
|
||
else:
|
||
plt.title(f"{ii+1} step of BiLSTM-Attention 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！
|
||
'''
|
||
|
||
|