区间概率预测python|QR-CNN-BiLSTM+KDE分位数-卷积-双向长短期记忆神经网络-时间序列区间概率预测+核密度估计

区间预测python|QR-CNN-BiLSTM+KDE分位数-卷积-双向长短期记忆神经网络-核密度估计-回归时间序列区间预测

模型输出展示：

(图中是只设置了20次迭代的预测结果，宽度较宽，可自行修改迭代参数，获取更窄的预测区间）

注：可输出所有时间点的概率预测结果，数量较多，程序中为了随机采样了部分时间点绘制了预测结果

模型详细介绍：

python 复制代码

模型详细介绍如下：
1、	输入：多变量（多特征），输出：单变量（单特征），即多变量回归
2、	实现了：区间预测（采用分位数回归）+概率预测（采用核密度估计）
3、	绘图：区间预测结果+多个概率预测结果
4、	评价指标为：85%、90%、95%三个置信水平下的PICP、PINAW及CRPS值
5、	本程序采用数据为：光伏数据（包含辐照度、温度等多个变量），数据为附赠
6、	Python程序，基于tensorflow（会发包版本）
7、	数据可直接读取excel文件，更换简单，只保证在我的数据上能运行出较为理想结果（若需更好的结果自行调试），其他数据集效果自己调试。
8、程序中包含数据预处理部分，包含缺失值处理、归一化与反归一化等
9、本程序分位数个数设置为200个，这个可以自行调整。

模型用途：

python 复制代码

1、	光伏预测
2、	负荷预测
3、	风电预测等

模型原理介绍：

QR-CNN-BiLSTM模型是一个结合了Quantile Regression (QR)，卷积神经网络 (CNN) 和双向长短期记忆网络 (BiLSTM) 的混合模型，它可以用于进行区间预测。区间预测不同于点预测，它提供了一个预测区间来表示未来值的不确定性，而不是给出一个具体的数值。这种模型特别适用于时间序列数据，可以捕捉数据的时间依赖性和非线性特征。除此之外，模型采用了核密度估计实现了概率预测。

模型实现流程：

1、数据预处理：

数据标准化：将时间序列数据标准化，以便模型更容易学习。

序列化：将时间序列数据转换为可供模型学习的序列样本。

缺失值填补：补充缺失值
2、构建模型：

Quantile Regression

(QR)：分位数回归用于估计条件分位数函数。在区间预测中，我们通常对特定的分位数（如5%和95%）感兴趣，这样可以构建一个90%的预测区间。

卷积神经网络 (CNN)：CNN可以从序列数据中提取局部特征。在时间序列分析中，卷积层可以帮助模型捕捉到短期的趋势和模式。

在这里插入图片描述

双向长短期记忆网络

(BiLSTM)：BiLSTM是一种特殊的RNN，它能够学习长期依赖关系。BiLSTM通过两个方向的LSTM层来处理数据，一个处理正向序列，另一个处理反向序列。这样可以同时捕捉到过去和未来的信息。

3、训练模型：

定义损失函数：在QR中，损失函数是基于分位数的，这意味着不同的分位数会有不同的损失函数。

优化器选择：选择一个适合的优化器，如Adam，来最小化损失函数。

训练过程：使用训练数据来训练模型，通过反向传播算法来更新模型的权重。
4、预测、评估：

使用训练好的模型进行预测，对于每个预测点，模型会输出多个分位数的预测值，形成预测区间。

还会使用核密度估计实现概率密度预测

评估模型的性能，可以通过计算预测区间覆盖实际值的比例、区间宽度等指标来进行。
5、超参数调整：

根据模型的性能，可能需要调整模型的超参数，如学习率、批大小、隐藏层的单元数等，以获得更好的预测效果。

程序源码（完整程序和数据，请私信博主获取，也可闲鱼搜索：阿鹿学术2，直接下单）：

私信未及时回复可添加k---o---u---k--o---u:1493502034

python 复制代码

def create_cnn_bilstm_model(input_shape, cnn_filters, cnn_kernel_size, cnn_activation, max_pool_size,
                          lstm_units, dropout_rate, dense_units, dense_activation1, dense_activation2, learning_rate):
    model = Sequential()
    model.add(MaxPooling1D(pool_size=max_pool_size,padding='same'))
    model.add(Dense(units=dense_units, activation=dense_activation1))
    model.add(Dropout(dropout_rate))
    ......
    optimizer = Adam(learning_rate=learning_rate)
    model.compile(optimizer=optimizer, loss=loss)
    return model