xmlns="http://www.w3.org/2000/svg"

style="display:

none;">

基于python语言的CNN—GRU—Attention模型实现时间序列预测。

可实现多变量预测单变量，也可以实现单变量预测单变量。

多步预测单步预测随意切换

替换数据即可运行模型，参数修改方便，

from
keras.layers
activation='relu')(inputs)
cnn
activation='relu')(cnn)
GRU处理时序依赖
activation='tanh')(gru_out)
attention
Activation('softmax')(attention)
context
activation='relu')(context)
output
outputs=output)

注意看这个Attention层的骚操作——先用全连接层生成注意力权重，softmax归一化后和GRU输出做乘法。

相当于让模型自己决定哪些时间节点的特征更重要，这个设计在处理长时间序列时贼好用。

数据预处理部分建议搞个万能模板：

from
import
range(len(scaled_data)-look_back-predict_step):
X.append(scaled_data[i:i+look_back])
y.append(scaled_data[i+look_back:i+look_back+predict_step,
0])
scaler

这个函数设计得很灵活，改个predictstep参数就能切换单步/多步预测。

比如设predictstep=3就是预测未来3个时间点，注意y的切片维度变化就行。

/>

训练环节有个坑得提醒：时间序列数据最好别用随机shuffle。

建议用自定义的TrainingSplitter，保持时间连续性。

不过非要shuffle的话，可以在数据切分前整体打乱：

from
keras.callbacks
model.compile(loss='mse',
early_stop
EarlyStopping(monitor='val_loss',
patience=5)
shuffle=False)

预测阶段有个实用技巧——滚动预测。

当需要多步预测时，可以迭代更新输入序列：

def
initial_data,
model.predict(current_input[np.newaxis,
...])[0]
predictions

这个实现里用到了numpy的roll函数，每次预测后把新结果拼到序列末尾，适合需要连续预测的场景。

不过要注意误差累积问题，预测步数太多准确率会下降。

基于python语言的CNN—GRU—Attention模型实现时间序列预测。

可实现多变量预测单变量，也可以实现单变量预测单变量。

多步预测单步预测随意切换

替换数据即可运行模型，参数修改方便，

/>

模型参数建议集中管理，比如搞个配置字典：

config
=
}

改配置比改代码安全多了，特别是需要做参数调优的时候。

比如想试下三天预测，直接把output_steps改成72（假设每小时一个数据点），模型结构会自动适配。

最后说下数据适配技巧。

当原始数据存在缺失值时，可以穿插个插值处理：

from
sklearn.impute
SimpleImputer(strategy='linear')
filled_data
imputer.fit_transform(raw_data)

比直接删数据更合理，特别是高频采集的数据。

不过遇到连续大段缺失的情况还是得结合业务逻辑处理。

/>

这套模型在实际项目中跑过电力负荷预测，单变量情况下24小时预测的MAE能压到2.3%左右。

多变量模式加上温度、湿度等特征后，还能再降0.5个百分点。

关键是要根据数据特性调整CNN的卷积核大小和GRU的单元数，别无脑堆层数。