BITCN合集(BITCN 、BITCN-GRU、BITCN-BIGRU、BITCN-LSTM、BITCN-BILSTM、BITCN-SVM)
BITCN合集(BITCN 、BITCN-GRU、BITCN-BIGRU、BITCN-LSTM等)代码获取戳此处代码获取戳此处代码获取戳此处
-
BITCN(双向时间卷积神经网络):
- BITCN 主要由多个一维卷积层组成,这些卷积层可以捕捉时间序列数据中的局部特征。
- 双向结构意味着网络有两个平行的卷积路径,一个处理正向的时间序列,另一个处理反向的时间序列。这样,网络能够同时考虑过去和未来的信息。
- 在卷积层之间,可能会使用激活函数(如ReLU)来增加模型的非线性,以及批标准化(Batch Normalization)来加速训练过程。
- 最终的输出层可能是一个全连接层,用于生成最终的预测或分类结果。
-
BITCN-GRU(双向时间卷积神经网络与门控循环单元):
- 该模型结合了BITCN和GRU(门控循环单元)的特点。BITCN部分如上文所述。
- GRU层在BITCN之后,用于进一步捕捉时间序列中的长期依赖关系。GRU有三个门:重置门、更新门和输出门,它们共同控制信息的流动。
- BITCN的输出被用作GRU的输入,GRU的输出则作为整个模型的最终输出。
-
BITCN-BiGRU(双向时间卷积神经网络与双向门控循环单元):
- BiGRU是双向的GRU,即它有两个并行的GRU层,一个处理正向序列,一个处理反向序列。
- BITCN的输出作为BiGRU的输入,BiGRU的输出则作为整个模型的最终输出。
- 这种结构使得模型能够同时考虑时间序列中的前向和后向信息,提高预测的准确性。
-
BITCN-LSTM(双向时间卷积长短期记忆神经网络):
- LSTM(长短期记忆网络)是一种特殊的循环神经网络,能够捕捉长期依赖关系。
- 在BITCN-LSTM中,BITCN的输出被用作LSTM的输入。LSTM层由多个LSTM单元组成,每个单元都有输入门、遗忘门和输出门。
- LSTM的输出通过全连接层进行最终预测或分类。
-
BITCN-BILSTM(双向时间卷积双向长短期记忆神经网络):
- BILSTM是双向的LSTM,即它有两个并行的LSTM层,一个处理正向序列,一个处理反向序列。
- BITCN的输出被用作BILSTM的输入。BILSTM的输出通过全连接层进行最终预测或分类。
- 这种结构能够同时考虑时间序列中的前向和后向信息,提高模型对长期依赖关系的捕捉能力。
-
BITCN-SVM(双向时间卷积神经网络与支持向量机):
- SVM(支持向量机)是一种监督学习模型,常用于分类和回归问题。
- 在BITCN-SVM中,BITCN用于从时间序列数据中提取特征。提取的特征被用作SVM的输入,SVM则根据这些特征进行分类或回归预测。
- 这种组合使得模型能够结合BITCN的特征提取能力和SVM的分类能力,提高预测的准确性。
评价指标包括MAE、MAPE 、MSE、RMSE、R2
可出适应的曲线图、评价指标二维对比图、评价指标雷达图
包含模型:
BITCN 、
BITCN-GRU、
BITCN-BIGRU、
BITCN-LSTM、
BITCN-BILSTM、
BITCN-SVM
基于风电数据集进行预测效果对比: