往期精彩内容：
时序预测：LSTM、ARIMA、Holt-Winters、SARIMA模型的分析与比较
EMD变体分解效果最好算法------CEEMDAN（五）-CSDN博客
拒绝信息泄露！VMD滚动分解 + Informer-BiLSTM并行预测模型-CSDN博客
CEEMDAN +组合预测模型(BiLSTM-Attention + ARIMA)-CSDN博客
CEEMDAN +组合预测模型(Transformer - BiLSTM + ARIMA)-CSDN博客
基于麻雀优化算法SSA的CEEMDAN-BiLSTM-Attention的预测模型-CSDN博客
基于麻雀优化算法SSA的CEEMDAN-Transformer-BiGRU预测模型-CSDN博客
VMD + CEEMDAN 二次分解，BiLSTM-Attention预测模型-CSDN博客
基于麻雀优化算法SSA的预测模型------代码全家桶-CSDN博客
VMD + CEEMDAN 二次分解，CNN-Transformer预测模型-CSDN博客
风速预测（八）VMD-CNN-Transformer预测模型-CSDN博客
高创新 | CEEMDAN + SSA-TCN-BiLSTM-Attention预测模型-CSDN博客
VMD + CEEMDAN 二次分解，Transformer-BiGRU预测模型-CSDN博客
独家原创 | 基于TCN-SENet +BiGRU-GlobalAttention并行预测模型-CSDN博客
VMD + CEEMDAN 二次分解------创新预测模型合集-CSDN博客
独家原创 | BiTCN-BiGRU-CrossAttention融合时空特征的高创新预测模型-CSDN博客
CEEMDAN +组合预测模型(CNN-Transfromer + XGBoost)-CSDN博客
时空特征融合的BiTCN-Transformer并行预测模型-CSDN博客
独家首发 | 基于多级注意力机制的并行预测模型-CSDN博客
独家原创 | CEEMDAN-CNN-GRU-GlobalAttention + XGBoost组合预测-CSDN博客
全家桶简介：
● 环境框架：python 3.9 pytorch 1.8 及其以上版本均可运行
● 使用对象：论文需求、毕业设计需求者
● 代码保证：代码注释详细、即拿即可跑通。
包括完整流程数据代码处理：
多步预测数据集制作、数据加载、模型定义、参数设置、模型训练、模型测试、预测可视化、模型评估、************ 多步预测 （如何加载训练好的模型进行外预测 ）
配有代码、文件介绍：
前言
本文基于前期介绍的电力变压器（文末附数据集），介绍一种基于CNN-LSTM网络的多步预测模型。
电力变压器数据集的详细介绍可以参考下文：
1 电力变压器数据预处理与可视化
1.1 导入数据
1.2 多步预测预处理
2 基于CNN-LSTM的多步预测模型
2.1 定义CNN-LSTM网络模型
2.2 设置参数，训练模型
50个epoch，MSE 为0.000311，CNN-LSTM多步预测模型预测效果显著，模型能够充分提取序列的时空特征，收敛速度快，性能优越，预测精度高，适当调整模型参数，还可以进一步提高模型预测表现。
注意调整参数：
-
可以适当增加CNN层数和每层通道数，微调学习率；
-
调整LSTM层数和每层神经元个数，增加更多的 epoch （注意防止过拟合）
-
可以改变滑动窗口长度（设置合适的窗口长度）
3 结果可视化和预测、模型评估
3.1 预测结果可视化
3.2 加载模型进行预测
3.3 模型评估
4 代码、数据整理如下：
