【深度学习】paddlets,时序数据预测

文章目录

资料:

https://paddlets.readthedocs.io/zh-cn/latest/source/api/paddlets.models.base.html#paddlets.models.base.BaseModel.recursive_predict

https://aistudio.baidu.com/projectdetail/5866171?contributionType=1&sUid=90149&shared=1&ts=1680491732413

一、环境

paddlets时序预测,paddlets环境只能用docker,不然不太好安装:

cpp 复制代码
docker run -it -p 18888:18888 -v C:\Users\Administrator\PycharmProjects\paddlets:/pro registry.baidubce.com/paddlets/paddlets:latest bash

# 或者

docker run -it -p 18889:18888 --gpus all -v /ssd/xiedong/paddlets:/pro registry.baidubce.com/paddlets/paddlets:latest-gpu-cuda11.2-cudnn8 bash

apt-get install -y openssh-server

apt install openssh-server --fix-missing # 不断执行

export http_proxy=192.168.3.2:10811
export https_proxy=192.168.3.2:10811

apt-get update

vim /etc/ssh/sshd_config

Port 18888 # 根据需求设置,容器Linux开启SSH服务的默认端口是22
PermitRootLogin yes  # 允许root用户登录(可选,根据需要设置)
PasswordAuthentication yes  # 允许密码身份验证

ssh-keygen -t rsa -b 2048

passwd root
nihao123


service ssh start

二、题目1

(1)请分析所提供的 10 个地区的功率数据,并绘制功率时序曲线,分析 10 个地区

功率变化特点,初步判断哪个地区的功率可以获得更好的预测结果,说明你的理由。

执行程序d1t1.py可以获得下面的图,这是5天中,10个地区的功率YD15的曲线。从趋势变换上来看,只有'02.csv'、'03.csv'的趋势变化非常具有周期性,应该是可以获得更好的预测结果的。

三、题目2

(2)分别对风速(预测风速和实际风速)、风向、温度、湿度、气压与功率(两个功率预测目标)的关系进行分析,如果要用这些气象因素来提高功率时序预测的结果,你优先推荐哪个(或哪几个)?简要说明理由。

选取02.csv的数据来对比02.csv中各个特征的关系。只有图最为直观,相关度之类的数值可以在更复杂难分析的情况使用。

下图是预测功率(系统生成)、实际功率(计量口径一)、 实际功率(预测目标,计量口径二)的图。变化趋势有周期性,每天都有顶峰数值。

下图是WINDSPEED 预测风速、TEMPERATURE 温度、ROUND(A.WS,1) 实际风速的变化图,周期性非常明显,从物理意义上来说也和风力发电功率非常相关。

下图是WINDDIRECTION 风向、HUMIDITY 湿度、PRESSURE 气压的变化图,数值过于平稳单调,和风力发电功率没有太大关联性。

如果要用这些气象因素来提高功率时序预测的结果,优先选择TEMPERATURE 温度、ROUND(A.WS,1) 实际风速这2个特征。

四、题目3

(3)请根据已知的气象数据与历史功率数据,划分训练集和测试集(将数据集中最后 3 天数据作为测试集),设计方法(不限使用神经网络等)构建预测模型,对 10 个地区的数据集内功率进行预测分析。并与原有的真实结果相比,做出误差分析,并分析不同气候因素对预测结果的影响。

五、函数参数

复制代码
lstm = LSTNetRegressor(
    in_chunk_len=(24 + 19) * 7 * 4,
    out_chunk_len=(24 + 19) * 4,  # 预测05:00之后到次日23:45的实际功率
    max_epochs=200,
    optimizer_params=dict(learning_rate=5e-3),
)
  • in_chunk_len (int): 反馈窗口的大小,即输入到模型的时间步数。

  • out_chunk_len (int): 预测范围的大小,即模型输出的时间步数。

  • skip_chunk_len (int): 可选,单个样本中输入块和输出块之间的时间步数。跳过的块既不作为特征(即 X),也不作为标签(即 Y)。默认情况下,不会跳过任何时间步。

  • sampling_stride (int): 相邻样本之间的采样间隔。

  • loss_fn (Callable[..., paddle.Tensor]|None): 损失函数。

  • optimizer_fn (Callable[..., Optimizer]): 优化算法。

  • optimizer_params (Dict[str, Any]): 优化器参数。

  • eval_metrics (List[str]): 模型的评估指标。

  • callbacks (List[Callback]): 自定义回调函数。

  • batch_size (int): 每批次的样本数。

  • max_epochs (int): 训练期间的最大轮数。

  • verbose (int): 详细模式。

  • patience (int): 在终止训练前等待改进的轮数。

  • seed (int|None): 全局随机种子。

  • skip_size (int): 跳过 RNN 层的跳跃大小。

  • channels (int): 第一层 Conv1D 的通道数。

  • kernel_size (int): 第一层 Conv1D 的卷积核大小。

  • rnn_cell_type (str): RNN 单元类型,可以是 GRU 或 LSTM。

  • rnn_num_cells (int): 每层的 RNN 单元数。

  • skip_rnn_cell_type (str): 跳过层的 RNN 单元类型,可以是 GRU 或 LSTM。

  • skip_rnn_num_cells (int): 跳过部分每层的 RNN 单元数。

  • dropout_rate (float): Dropout 正则化参数。

  • output_activation (str|None): 输出使用的最后激活函数。可以是 None(默认无激活),sigmoid 或 tanh。

相关推荐
强哥之神28 分钟前
英伟达发布 Llama Nemotron Nano 4B:专为边缘 AI 和科研任务优化的高效开源推理模型
人工智能·深度学习·语言模型·架构·llm·transformer·边缘计算
Green1Leaves30 分钟前
pytorch学习-9.多分类问题
人工智能·pytorch·学习
kyle~1 小时前
计算机视觉---RealSense深度相机技术
人工智能·数码相机·计算机视觉·机器人·嵌入式·ros·传感器
碣石潇湘无限路2 小时前
【AI篇】当Transformer模型开始学习《孙子兵法》
人工智能·学习
看到我,请让我去学习2 小时前
OpenCV开发-初始概念
人工智能·opencv·计算机视觉
汀沿河2 小时前
8.1 prefix Tunning与Prompt Tunning模型微调方法
linux·运维·服务器·人工智能
陈敬雷-充电了么-CEO兼CTO2 小时前
大模型技术原理 - 基于Transformer的预训练语言模型
人工智能·深度学习·语言模型·自然语言处理·chatgpt·aigc·transformer
学术 学术 Fun2 小时前
✨ OpenAudio S1:影视级文本转语音与语音克隆Mac整合包
人工智能·语音识别
风铃喵游3 小时前
让大模型调用MCP服务变得超级简单
前端·人工智能
旷世奇才李先生3 小时前
Pillow 安装使用教程
深度学习·microsoft·pillow