接着更！seq2seq、wavenet、bert、informer、RNN时间预测模型，python预测全家桶再更新！...

截止到本期，一共发了10篇关于机器学习预测全家桶Python代码的文章。参考往期文章如下：

本期更新内容为，新增五种模型：seq2seq、wavenet、bert、informer、RNN。代码可以随意切换单/多特征输入，单/多步预测。

以《电力负荷预测.csv》为例进行介绍。数据格式如下：

此数据采样频率为一小时一次，有三个特征列，一个输出列。

下面将会以此数据为例，进行四种案例的分析。并以seq2seq模型为例进行结果展示。

以下案例，在代码中按照指示直接更改即可！非常简便！随意切换！

#案例1：单特征输入，单步预测

参数设置如下：
 #请按照以下进行设置：采用前12个时刻的所有负荷数据，预测未来一个小时的负荷值。
 n_in = 12  # 输入前12个时刻的数据
 n_out = 1  # 预测未来一个时刻的负荷
 valuess = dataset.values[:,-1:] #因为是单特征输入，那么就只输入最后一列负荷值就行了。 -1表示倒数第一列

# 案例2：单特征输入，超前多步预测

参数设置如下：
#采用超前多步预测的时候，由于测试样本不止一个，因此绘图的时候，不可能全部都画出来，这里就挑出来一个测试样本进行绘图。
#请按照以下进行设置：采用前96个时刻的所有负荷数据，预测未来24个小时的负荷值。
n_in = 96  # 输入前96个时刻的数据
n_out = 24  # 预测未来24个时刻的负荷
valuess = dataset.values[:,-1:] #因为是单特征输入，那么就只输入最后一列负荷值就行了。 -1表示倒数第一列

# 案例3：多特征输入，单步预测

参数设置如下：
# 请按照以下进行设置：采用前8个时刻的所有特征数据（包括已知的负荷值），预测未来一个小时的负荷值。
n_in = 8  # 输入前8个时刻的数据
n_out = 1  # 预测未来一个时刻的负荷
valuess = dataset.values[:,1:] #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：，这时候就是多特征输入

# 案例4：多特征输入，超前多步预测

参数设置如下：
#采用超前多步预测的时候，由于测试样本不止一个，因此绘图的时候，不可能全部都画出来，这里就挑出来一个测试样本进行绘图。
# 案例4：多特征输入，超前多步预测
# 请按照以下案例：采用前7天数据，预测未来一天（24个小时）的负荷值。这种预测模型难度较大，因此精度不一定会好！！！
n_in = 24*7  # 输入前7天数据，每天有24个小时，因此这里是24*7
n_out = 24*1  # 预测未来一天的负荷值，也就是24个小时。因此这里是24,。
valuess = dataset.values[:,1:] #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：，这时候就是多特征输入

其他几个模型作者都一一测试过了，这里就不在一一展示。

代码获取

已将本文代码更新至python预测全家桶。

后续会继续更新一些其他模型……敬请期待！

点击下方卡片关注，获取更多代码

python预测全家桶pip包推荐版如下：

tensorflow~=2.15.0
pandas~=2.2.0
openpyxl~=3.1.2
matplotlib~=3.8.2
numpy~=1.26.3
keras~=2.15.0
mplcyberpunk~=0.7.1
scikit-learn~=1.4.0
scipy~=1.12.0
qbstyles~=0.1.4
prettytable~=3.9.0
vmdpy~=0.2
xgboost~=2.0.3
mealpy~=3.0.1
torch~=2.3.1

推荐使用3.9版本的python哦！

点击下方卡片关注，获取更多代码