资源下载：https://download.csdn.net/download/vvoennvv/92314828

 目录

一，概述

        传统的单一循环神经网络（如单向GRU或LSTM）在处理长时依赖、多步并行预测以及特征多尺度建模时，容易出现特征提取不足、梯度传递效率低、对未来多步关联性建模弱等问题。为提升时序预测的精度与稳定性，本算法将双向时间卷积网络（BiTCN, 通过双向封装的膨胀卷积捕获多尺度历史信息）与双向GRU（BiGRU, 通过门控与双向结构强化前后依赖）进行级联融合，构建 BiTCN-BiGRU 复合深度时序特征提取框架，实现多特征输入的多步预测。模型利用膨胀卷积的因果/跨尺度感受野扩展能力与双向循环的上下文融合优势，在多变量、长窗口、滑动预测任务中获取更丰富的时间相关模式，提高多步预测精度与泛化能力。

BiTCN-BiGRU算法的流程如下：

（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BiTCN-BiGRU网络模型。该模型包括输入层、双向TCN层、双向GRU层、全连接映射和输出层。

（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bitcn_bigru_model函数来建立BiTCN-BiGRU模型
    model = bitcn_bigru_model()

......

三，运行结果

 资源下载：https://download.csdn.net/download/vvoennvv/92314828