资源下载：https://download.csdn.net/download/vvoennvv/92418412
目录
一，概述
传统的时间序列预测模型在处理长期依赖和复杂时序模式时存在一些局限性。为了更好地捕捉时间序列数据中的多尺度时间特征和长期依赖关系,我们提出了TCN-GRU混合神经网络模型。
首先,我们来了解一下TCN-GRU的核心组成部分。**TCN(时间卷积网络)**是一种专门用于序列数据处理的卷积神经网络架构,它通过因果卷积和膨胀卷积来捕捉不同时间尺度的特征,能够有效处理长序列数据。**GRU(门控循环单元)**是一种改进的循环神经网络结构,通过更新门和重置门机制来控制信息的流动,能够有效学习时间序列的长期依赖关系。在TCN-GRU算法中,我们将TCN的特征提取能力与GRU的序列建模能力相结合,以提高时序预测的准确性和稳定性。
TCN-GRU的流程如下：
（1）数据准备：首先，我们需要准备历史数据作为训练集。
（2）数据预处理：对于训练集中的数据，我们需要进行一些预处理操作，比如去除异常值、归一化等，以提高预测模型的准确性。
（3）网络构建：根据预处理后的训练集，我们构建TCN-LSTM网络模型。该模型包括输入层、时间卷积层（TCN）、门控循环单元层（GRU）、全连接层和输出层。
（4）模型训练：采用 MSE 作为回归损失，Adam 优化器提升收敛速度与鲁棒性，同时监控 MAE 作为评估指标。
（5）模型评估：在训练完成后，我们需要对模型进行评估。这可以通过将训练集中的一部分数据作为测试集，来计算模型的预测误差和准确率。
二，代码
代码中文注释非常清晰，按照示例数据修改格式，替换数据集即可运行，数据集可以是csv或者excel表格。
部分代码如下：
if __name__ == "__main__":
warnings.filterwarnings("ignore") # 取消警告
# 使用pandas模块的read_csv函数读取名为"电力负荷预测数据.csv"的文件。
# 参数 'encoding' 设置为 'gb2312'，这通常用于读取中文字符，确保文件中的中文字符能够正确读取。
# 读取的数据被存储在名为 'dataset' 的DataFrame变量中。
# dataset = pd.read_csv("电力负荷预测数据.csv", encoding='gb2312')
# 下面是读取xlsx的方式，根据实际数据集文件选择是read_csv还是read_excel
dataset = pd.read_excel("风电场功率预测.xlsx", sheet_name='Sheet1', header=0)
print(dataset) # 显示dataset数据
# 从dataset DataFrame中提取数据。
# dataset.values将DataFrame转换为numpy数组。
# [:,1:]，逗号前是行，逗号之后是列。这个表示选择所有行（:）和从第二列到最后一列（1:）的数据。
# 这样做通常是为了去除第一列，这在第一列是索引或不需要的数据时很常见。
# 只取第2列数据，要写成1:2；只取第3列数据，要写成2:3，取第2列之后(包含第二列)的所有数据，写成 1：
# 单输入单步预测，就让values等于某一列数据，n_out = 1，n_in, num_samples, scroll_window 根据自己情况来
# 单输入多步预测，就让values等于某一列数据，n_out > 1，n_in, num_samples, scroll_window 根据自己情况来
# 多输入单步预测，就让values等于多列数据，n_out = 1，n_in, num_samples, scroll_window 根据自己情况来
# 多输入多步预测，就让values等于多列数据，n_out > 1，n_in, num_samples, scroll_window 根据自己情况来
values = dataset.values[:, 1:]
# 如果第一列不是索引，需保留全部列的数据时，则使用下面这句代码，并把上面那句代码屏蔽
# values = dataset.values[:, :]
# 确保所有数据是浮点数
# 将values数组中的数据类型转换为float32。
# 这通常用于确保数据类型的一致性，特别是在准备输入到神经网络模型中时。
values = values.astype('float32')
# 下面是多特征输入，多步预测的案例
n_in = 5 # 输入前5行的数据
n_out = 2 # 预测未来2步的数据
or_dim = values.shape[1] # 记录特征数据维度
# 默认是全部数据用于本次网络的训练与测试，也可以设定具体是数值，比如2000，这个数值不能超过实际的数据点
num_samples = values.shape[0] - n_in - n_out
# num_samples = 2000
scroll_window = 1 # 如果等于1，下一个数据从第二行开始取。如果等于2，下一个数据从第三行开始取
res = data_collation(values, n_in, n_out, or_dim, scroll_window, num_samples)
# 把数据集分为训练集和测试集
# 将前面处理好的DataFrame（data）转换成numpy数组，方便后续的数据操作。
values = np.array(res)
# 计算训练集的大小。
# 设置80%作为训练集
# int(...) 确保得到的训练集大小是一个整数。
n_train_number = int(num_samples * 0.8)
# 先划分数据集，在进行归一化，这才是正确的做法！
Xtrain = values[:n_train_number, :n_in * or_dim]
Ytrain = values[:n_train_number, n_in * or_dim:]
Xtest = values[n_train_number:, :n_in * or_dim]
Ytest = values[n_train_number:, n_in * or_dim:]
# 对训练集和测试集进行归一化
m_in = MinMaxScaler()
vp_train = m_in.fit_transform(Xtrain) # 注意fit_transform() 和 transform()的区别
vp_test = m_in.transform(Xtest) # 注意fit_transform() 和 transform()的区别
m_out = MinMaxScaler()
vt_train = m_out.fit_transform(Ytrain) # 注意fit_transform() 和 transform()的区别
vt_test = m_out.transform(Ytest) # 注意fit_transform() 和 transform()的区别
# 将训练集的输入数据vp_train重塑成三维格式。
# 结果是一个三维数组，其形状为[样本数量, 时间步长, 特征数量]。
vp_train = vp_train.reshape((vp_train.shape[0], n_in, or_dim))
# 将测试集的输入数据vp_test重塑成三维格式。
# 结果是一个三维数组，其形状为[样本数量, 时间步长, 特征数量]。
vp_test = vp_test.reshape((vp_test.shape[0], n_in, or_dim))
# 调用tcn_gru_model函数来建立TCN-GRU模型
model = tcn_gru_model()
# 训练模型。指定批处理大小为32，训练轮数为50，将25%的数据用作验证集。
# verbose=2表示在训练过程中会输出详细信息。
history = model.fit(vp_train, vt_train, batch_size=32, epochs=50, validation_split=0.25, verbose=2)
......三，运行结果
