weixin_43507232的博客

一份写给 Go 开发者的并发速查表：goroutine 启动与等待、channel 收发/关闭规则、select 超时与非阻塞、context 取消与超时、Mutex/atomic/Once，以及 Worker Pool、Pipeline、Fan-in/out、信号量、限流等常用模式。附常见坑速查表和 8 个可直接 go run 的示例，只用标准库，Go 1.22+ 适用，适合入门复习、课程设计和面试前快速过一遍。

一套开箱即用的数据集处理脚本：VOC YOLO COCO 互转、LabelImg 的 xml 批量转 txt、json 标注清洗与类别重映射、train/val/test 按比例分层划分、文件名批量重命名、空标注与越界框检查、类别数量统计并生成可视化图表。全部为 Python 单文件脚本，改路径即可运行，附使用说明和示例数据，适合目标检测/图像分类项目的数据准备阶段。

系统采用 PyQt5 桌面端，左侧控制面板 + 右侧四个标签页： 负荷历史与预测：选择任意起点，预测未来 24 小时，历史与预测同图展示 测试集表现：GRU vs 官方预测对比曲线 误差分析：误差曲线 + 预测值/真实值散点图 预测数据：逐小时预测表，可一键导出 CSV  二、项目亮点 纯历史负荷建模：不依赖温度、节假日等外生变量，仅用过去 168 小时负荷即可预测 直接多步预测：一次输出未来 24 小时，避免递归预测的误差累积 时间特征增强：把“小时/星期/一年中第几天”做 sin·cos 编码送入输出头，让模型知道要预测的是“星期几的几点” 完整实验闭环：数据处理 → 训练 → 评估 → 可视化 → 导出，一条龙 双基线对比：同时对比官方预测和“昨日同期”季节朴素基线，结果更有说服力 轻量易跑：模型仅 38,689 参数，CPU 也能完成推理和演示 三、技术栈 模块 技术 深度学习 PyTorch 数据处理 NumPy、Pandas 可视化 Matplotlib 桌面界面 PyQt5 语言 Python 3.8+ 四、数据集说明 数据来源：西班牙 2015–2018 年小时级电网负荷（energy-consumption-hourly-spain） 样本规模：35,064 条连续小时数据 预测目标：total load actual（地区总负荷，单位 MW） 缺失处理：仅 36 个缺失值，线性插值 划分方式：按时间顺序 70% / 15% / 15%，不打乱，严格符合时序预测规范 数据本身具有明显的： 日周期：早晚两个高峰 周周期：工作日高于周末 季节周期：冬夏高、春秋低