资源下载：https://download.csdn.net/download/vvoennvv/92521369
目录
一，概述
传统的循环神经网络(RNN)在处理长序列时存在梯度消失和梯度爆发等问题,而单一的LSTM或GRU网络在捕捉时序数据的多尺度特征方面存在局限性。为了解决这些问题,我们将时间卷积网络(TCN)与双向门控循环单元(BiGRU)相结合,提出了TCN-BiGRU混合预测算法。
首先,我们来了解一下TCN和BiGRU的特点。TCN通过扩张卷积和因果卷积的方式,能够有效捕捉序列数据中不同时间尺度的特征,且具有并行计算的优势。BiGRU则通过双向信息流,既能从过去获取信息,也能从未来获取信息,从而更全面地理解时序模式。在TCN-BiGRU算法中,我们将这两种网络结构串联使用,充分发挥各自的优势。
TCN-BiGRU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-BiGRU网络模型。该模型包括输入层、时间卷积层（TCN）、BiGRU层、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
# # 设置随机种子，确保结果可复现(日常训练不固定随机种子，发表论文或需要精确复现时再取消注释这段代码。)
# import random
# import tensorflow as tf
# seed_value = 42
# random.seed(seed_value)
# np.random.seed(seed_value)
# tf.random.set_seed(seed_value)
# os.environ['PYTHONHASHSEED'] = str(seed_value)
# 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 = 20 # 微调：时间窗口优化到20
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85%作为训练集(增加训练数据量)划分训练集和测试集
# int(...) 确保得到的训练集大小是一个整数。
n_train_number = int(num_samples * 0.85)
# 先划分数据集，在进行归一化，这才是正确的做法！
# 对于时序数据，应该按时间顺序划分训练集和验证集，把训练集的前80%作为真正的训练集，后20%作为验证集
n_val_number = int(n_train_number * 0.8) # 训练集的80%用于训练，20%用于验证
Xtrain = values[:n_val_number, :n_in * or_dim]
Ytrain = values[:n_val_number, n_in * or_dim:]
Xval = values[n_val_number:n_train_number, :n_in * or_dim]
Yval = values[n_val_number: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、验证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_val = m_in.transform(Xval) # 使用训练集的缩放参数
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_val = m_out.transform(Yval) # 使用训练集的缩放参数
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))
vp_val = vp_val.reshape((vp_val.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_bigru_model函数来建立TCN-BiGRU模型
model = tcn_bigru_model()
......三，运行结果
