380 lines
15 KiB
Python
380 lines
15 KiB
Python
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 = 10 # 输入前5行的数据
|
||
n_out = 2 # 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 * 0.9)
|
||
# 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 Transformer-KAN 模型
|
||
|
||
class TimeSeriesTransformer_ekan(nn.Module):
|
||
def __init__(self, input_dim, num_heads, num_layers, num_outputs,hidden_space, dropout_rate=0.1):
|
||
super(TimeSeriesTransformer_ekan, self).__init__()
|
||
self.input_dim = input_dim
|
||
self.num_heads = num_heads
|
||
self.num_layers = num_layers
|
||
self.num_outputs = num_outputs
|
||
self.hidden_space=hidden_space
|
||
|
||
# Transformer 的 Encoder 部分
|
||
transformer_layer = nn.TransformerEncoderLayer(
|
||
d_model=hidden_space, # 输入特征维度
|
||
nhead=num_heads, # 多头注意力机制的头数
|
||
dropout=dropout_rate
|
||
)
|
||
self.transformer_encoder = nn.TransformerEncoder(transformer_layer, num_layers=num_layers)
|
||
|
||
# 将 Encoder 的输出通过一个全连接层转换为所需的输出维度
|
||
self.e_kan = KAN([hidden_space, 10, num_outputs])
|
||
self.transform_layer=nn.Linear(input_dim, hidden_space)
|
||
|
||
def forward(self, x):
|
||
# 转换输入数据维度以符合 Transformer 的要求：(seq_len, batch_size, feature_dim)
|
||
|
||
x = x.permute(1, 0, 2)
|
||
x = self.transform_layer(x)
|
||
# Transformer 编码器
|
||
x = self.transformer_encoder(x)
|
||
|
||
# 取最后一个时间步的输出
|
||
x = x[-1, :, :]
|
||
|
||
# 全连接层生成最终输出
|
||
x = self.e_kan(x)
|
||
return x
|
||
|
||
|
||
|
||
# 设置超参数
|
||
input_dim = or_dim #输入维度
|
||
output_dim = n_out #输出维度
|
||
hidden_space = or_dim
|
||
num_heads = 2 #注意力头数
|
||
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 = TimeSeriesTransformer_ekan(input_dim, num_heads,num_layers,output_dim,hidden_space)
|
||
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 Transformer-KAN :\nMAPE: {mape(Ytest[:, ii], predicted_data[:, ii])} %")
|
||
else:
|
||
plt.title(f"{ii+1} step of Transformer-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！
|
||
'''
|
||
|
||
|