Python预测全家桶小白版，重大更新！建议所有人都下载！

关注

原创 2025-01-07 15:02:16 1k 阅读 AI 写同款· GEO 优化 ›

bp神经网络预测python代码_纯Python搭建一个深度神经网络并用于房价预测背景深度神经网络模型是当前火热的人工智能的基石，深度神经网络模型可以应用于房价预测、股票预测、人脸识别、自动驾驶等各种场景。本文将详细讲解如何使用python从零开始搭建一个神经网络模型，并应用于房价预测。摘要房价数据介绍深度神经网络介绍神经网络前后向传播计算详解训练深度神经网络模型并预测房价总结代码话不多说，先上代码。人生苦短，我爱python。https://github.com/h... 阅读详情

截止到本期，一共发了11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：

1.终于来了！python机器学习预测全家桶

2.机器学习预测全家桶-Python，一次性搞定多/单特征输入，多/单步预测！最强模板！

3.机器学习预测全家桶-Python，新增CEEMDAN结合代码，大大提升预测精度！

4.机器学习预测全家桶-Python，新增VMD结合代码，大大提升预测精度！

5.Python机器学习预测+回归全家桶，再添数十种回归模型！这次千万别再错过了！

6.Python机器学习预测+回归全家桶，新增TCN，BiTCN，TCN-GRU，BiTCN-BiGRU等组合模型预测

8.Transformer实现风电功率预测，python预测全家桶

9.几个小创新模型，KAN组合网络（LSTM、GRU、Transformer）时间序列预测

10.几个小创新模型，KAN组合网络（LSTM、GRU、Transformer）回归预测

11.接着更！seq2seq、wavenet、bert、informer、RNN时间预测模型

从推出python预测全家桶以来，即便很多案例注释已经写的很清楚了，但是后台经常收到数据替换不友好，小白学起来还是费劲等等的留言，这也怪我，是我写的不够简单明了！本期对python全家桶来一个重大更新，彻底解决小白替换数据困难，模型切换繁琐，网络参数修改复杂的问题。

本期更新内容如下：

1.模型函数化，文件目录更简单明了，集合了40余种常见或新颖的模型。文件夹如下：

是不是一目了然了！原先的预测全家桶，打开之后一堆主文件，导致小白拿到手后，不知道哪个能运行哪个不能运行，现在好了，作者将所有的模型写成了函数，这样真的很方便小伙伴对各个模型进行调用，代码也更易理解了！

目前集合的模型大致如下：

CNN_BiLSTM、CNN_BiLSTM_Attention、Bagging、BiGRU、
BiGRU_Attention、BiLSTM、BiLSTM_Attention、BiTCN_BiGRU、
BiTCN_GRU、BiTCN_LSTM、BP、CART、CNN_BiGRU_Attention、
CNN_BiGRU、CNN_GRU_Attention、CNN_GRU、CNN_LSTM_Attention、
CNN_LSTM、ELM、GradientBoost、GRU、GRU_Attention、LSTM、
LSTM_Attention、RandomForest、RBF、SVR、TCN、TCN_RNN、TCN_LSTM、
TCN_GRU、TCN_BiGRU、XGBOOST、Transformer、BiLSTM_KAN、
 GRU_KAN、LSTM_KAN、Transformer_KAN、 seq2seq、RNN、
 wavenet、bert、informer

另外还包括一些双分解预测，智能优化算法结合模型的代码，这里就不再一一列出。

除此之外，在这里透露一下最近要出一期调用智能优化算法meaply库，实现对所有模型一键调用的代码，这样可以一下子采用上百种算法结合这些模型进行优化了，代码初步框架已经写好，就差调试与测试了，可以浅浅期待一下！

2. 主函数十分简单即可切换模型，预留了各模型接口参数，方便小白一键更改。主函数代码如下：

if __name__ == '__main__':
    dataset = pd.read_excel("风电场功率预测.xlsx")  #这里修改你的数据！
    # dataset=pd.read_csv("电力负荷预测数据2.csv",encoding='gb2312')
    # 参数'encoding'设置为'gbk'，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。
    # print(dataset)  # 显示dataset数据
    # 单输入单步预测，就让valuess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valuess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valuess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valuess等于多列数据，n_out > 1，n_in, num_samples, scroll_window 根据自己情况来
    ## 总结一下案例，需要哪个，就把哪个案例对照着改即可！
 
    ## 开始实验！！只改下面三行即可切换案例！！
    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
    # 确保所有数据是浮动的
    valuess = valuess.astype('float32')
    # 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。
    or_dim = valuess.shape[1]  # 记录特征数据维度
    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
    num_samples = 3000  # 可以设定从数据中取出多少个点用于本次网络的训练与测试。
    # 注意这里num_samples并不是数据的行数，因为数据在整理的时候，需要多步预测1步，或者预测多步，那么最后一个样本将会占据多行，因此一般要设置少于数据的行数
    train_ratio = 0.8  #训练集比例
    #调用数据整理的函数，关于测函数的机理是什么，请跳转Shared_def函数中查看data_collation的注释
    vp_train, vp_test, vt_train, vt_test, m_out,Ytest = data_collation(valuess, n_in, n_out, or_dim, scroll_window, num_samples,train_ratio)




    # 接下来就开始调用模型并开始训练喽！
    '''
        参数设置和模型选择
        可选模型有：把以下模型赋值给  flag变量即可！
       
        CNN_BiLSTM、CNN_BiLSTM_Attention、Bagging、BiGRU、BiGRU_Attention、BiLSTM、BiLSTM_Attention、BiTCN_BiGRU、BiTCN_GRU、BiTCN_LSTM
        BP、CART、CNN_BiGRU_Attention、CNN_BiGRU、CNN_GRU_Attention、CNN_GRU、CNN_LSTM_Attention、CNN_LSTM、ELM、GradientBoost、GRU
        GRU_Attention、LSTM、LSTM_Attention、RandomForest、RBF、SVR、TCN、TCN_RNN、TCN_LSTM、TCN_GRU、TCN_BiGRU、XGBOOST、Transformer、
        BiLSTM_KAN、 GRU_KAN、LSTM_KAN、Transformer_KAN、 seq2seq、RNN、wavenet、bert、informer
        
        提示：经检测，GradientBoost、SVR只适用于单步输出，多步输出时会报错，这是官方的包所致，因此在用这两个方法时，请将n_out改为1
        部分模型无法保存（只是一少部分）
    '''
    # 修改这里的flag即可切换不同的模型
    flag = 'LSTM_KAN'
    epochs = 80  #训练次数
    batch_size = 12  #最小批训练大小
    learning_rate = 1e-4  #学习率
    fit_or_not = 1 #是否重新训练,如果要改为0，请保证至少已经训练过一次了。
    # fit_or_not：,直接加载已保存的模型还是重新训练，本程序具备保存模型的功能，
    # fit_or_not=1时，就重新训练模型（并保存模型到"模型保存"文件夹里），
    # fit_or_not=0时，就直接加载保存好的模型进行训练（当然你得先有保存好的模型哦）


    # 更多关于每个模型的参数设置，请在本页面的many_model定义中找到对应模型自己动手修改，都做好修改接口了，很方便。


    #调用模型，并进行训练，训练之后，直接返回训练集的预测结果，测试集的预测结果，模型的训练过程（方便画训练损失函数曲线）。
    (xunlian_predicted_data, ceshi_predicted_data) = many_model(flag,fit_or_not,epochs,batch_size,learning_rate,
                           vp_train, vp_test, vt_train, vt_test, m_out,n_out,n_in,or_dim)


    #调用已经写好绘图函数
    plot_result(valuess,ceshi_predicted_data, Ytest, n_in,n_out,flag)

只要修改上述代码中的变量——flag，即可任意切换不同的模型。

关于各个模型的参数修改也简单，举例如下：

if flag == 'CNN_BiLSTM':
   #更多参数请在这里设置！
   #四个参数分别为：CNN滤波器个数，滤波器大小，正则化参数，BiLSTM的隐含层神经元个数
    filters, kernel_size, Dropout, Hidden_size = 64,2,0.1,32   
    xunlian_predicted_data, ceshi_predicted_data = model.run_CNN_BiLSTM(filters, kernel_size, Dropout, Hidden_size)
 if flag == 'TCN_RNN':
   #四个参数分别为：TCN滤波器个数，滤波器大小，正则化参数，RNN的隐含层神经元个数
    nb_filters,kernel_size,dro,RNN_units = 64,2,0.2,128
    xunlian_predicted_data, ceshi_predicted_data = model.run_TCN_RNN(nb_filters,kernel_size,dro,RNN_units)

这样，大家只需要找到想要修改的模型，修改相应的参数即可！

3.可对预测后的模型进行保存，在代码主函数中加入了一个变量fit_or_not，选择1，则正常进行模型训练，选择0，则直接调用保存好的模型进行训练。

fit_or_not = 1 #是否重新训练,如果要改为0，请保证至少已经训练过一次了。
 # fit_or_not：,直接加载已保存的模型还是重新训练，本程序具备保存模型的功能，
 # fit_or_not=1时，就重新训练模型（并保存模型到"模型保存"文件夹里），
 # fit_or_not=0时，就直接加载保存好的模型进行训练（当然你得先有保存好的模型哦）

4. 有详细的关于数据替换的示例介绍：准备了四种案例，只要按照注释一一修改这三个参数即可！（就不信小白还不会改数据！）

'''
        #案例1：单特征输入，单步预测
        #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,注意看清楚，这里是 -1:
    '''
    '''
        #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2：单特征输入，超前多步预测
        #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,注意看清楚，这里是 -1:
    '''

    '''
        # 案例3：多特征输入，单步预测
        # 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
        因为这里原始数据第一列都是时间，所以才写成了1:，意思是去除了时间列
    '''

    '''
        #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（这种预测模型难度较大，因此精度不一定会好！！！）
        # 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。
        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
        因为这里原始数据第一列都是时间，所以才写成了1:，意思是去除了时间列
    '''

只要你的数据也是这种形式（第一列为时间列，2~n-1列为特征列，最后一列为预测列），完全可以按照上述参数设置，简单进行四种案列的切换。

5.对预测结果进行保存，

运行模型后，会将训练集的预测结果和测试集的预测结果保存到《预测结果保存》文件夹内，同时还会将预测结果图，损失函数曲线图都保存下来。

接下来让我们简单挑选几个模型进行结果展示吧！

案例1：单特征输入，单步预测案例：

案例2：单特征输入，多步预测案例：

案例3：多特征输入，单步预测案例：

案例4：多特征输入，多步预测案例：

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！