改进图卷积+informer时间序列预测,pytorch架构

文摘   2024-11-25 21:52   广东  

读完需要

6
分钟

速读仅需 2 分钟

请尊重原创劳动成果
转载请注明本文链接
及文章作者:机器学习之心

摘要:时序预测 | 改进图卷积+informer时间序列预测,pytorch架构

1

   

基本介绍

改进图卷积+informer时间序列预测代码
CTR-GC卷积,informer,CTR-GC
图卷积 GCN 中,图拓扑在特征聚合中占主导地位,提取代表性特征的关键。因此提出了一种改进GCN的新方法,叫通道拓扑细化图卷积 (CTR-GC),以动态学习不同的拓扑结构,并有效地聚合不同通道中的特征。
本代码尝试将它转移用到时间序列中,创新思维的三维转二维,利用部分卷积进行特征提取,将提取的结果放入informer进行预测,预测还不错,同时证实了引入图卷积的可行性。
python代码
pytorch架构
适合功率预测,风电光伏预测,负荷预测,流量预测,浓度预测,机械领域预测等等各种时间序列直接预测。验证模型,划分测试集训练集。
1.多变量输入,单变量输出
2.多时间步预测,单时间步预测
3.R方,MAE,MSE MAPE对比图,误差图(缺少的可自行添加)
4.将结果保存下来供后续处理
5.代码自带数据,一键运行,csv,xlsx文件读取数据,也可以替换自己数据集很简单。
购买后可加博主QQ1153460737咨询交流。注意:其他非官方渠道购买的盗版代码不含模型咨询交流服务,大家注意甄别,谢谢。

2

   


运行效果


   

完整代码扫描二维码:白嫖勿扰

3


   

网络结构


4

   

其他代码

嗯,细心的你会发现:https://mbd.pub/o/slowtrain/work

博客专家认证,机器学习领域创作者,2023博客之星TOP50,主做机器学习和深度学习时序、回归、分类、聚类和降维等程序设计和案例分析科研课题模型定制/横向项目模型仿真/职称学术论文辅导/模型程序讲解均可联系本人唯一QQ1153460737(其他均为盗版,注意甄别

技术交流群:购买博主任意代码或分享博主博文到任意三方平台后即可添加博主QQ进群

机器学习之心HML
机器学习和深度学习时序、回归、分类和聚类等程序设计与案例分析,CSDN博主机器学习之心,知乎、B站同名,由于博主公众号名称被别人占用,故加了HML,此号是官方账号,其余打着本人旗号做事本人概不负责,本人QQ1153460737。
 最新文章