效果视频链接：基于深度学习光伏预测系统（五个模型）_哔哩哔哩_bilibili
界面设计
注册界面
登录界面
主界面
展示界面
1.数据集来源
这里分别保存了不同间隔采样时间表格
1min是以1min 间隔采集的数据集
数据集截图（开始位置截图）
截止位置截图
2.关于特征与标签选择（在交通流量预测方面主要有以下两种方式，本文是第二种）
2.1.第一种方式如下图所示
每一行前9列（黄色部分） 作为特征输入，每一行的第10列值作为标签（红色部分）
2**.2.第二种方式如下图所示**
前6行的10列数据（黄色部分）作为特征输入，第7行的第10列数据（红色部分）为标签。
根据已获取的历史数据预测下一个时间点或者未来多个时间点 更符合实际。
3.模型（LSTM；GRU；CNN-LSTM；CNN-GRU；LSTM_transform模型）评价指标
MAE；MSE；MAPE
LSTM 26.3020%； 0.5736% ；49.3607%
GRU 19.3869% ；0.1793%； 44.0200%
CNN-LSTM 16.0719% ；0.1367%； 39.5737%
CNN-GRU 17.2165%； 0.1541% ；41.5540%
LSTM_transform 15.9017%； 0.1385%； 39.7443%
4.效果图(测试集)
LSTM
GRU
CNN-LSTM
CNN-GRU
LSTM+transform
-
对数据集和代码感兴趣的，可以关注最后一行
import sys
import numpy as np
from PIL import Image
from PyQt5.QtCore import Qt
from PyQt5.QtGui import QPainter,QPen,QImage,QPixmap,QFont,QPalette,QBrush
from PyQt5.QtWidgets import QWidget,QLabel,QPushButton,QLineEdit,QApplication,QMessageBox,QTableWidget,QTableWidgetItem
import matplotlib.pyplot as plt
import pandas as pd
#数据集和代码：https://mbd.pub/o/bread/ZpWVm5xv