文章目錄
- 一、環境
- 二、題目1
- 三、題目2
- 四、題目3
- 五、函數參數
資料：
https://paddlets.readthedocs.io/zh-cn/latest/source/api/paddlets.models.base.html#paddlets.models.base.BaseModel.recursive_predict
https://aistudio.baidu.com/projectdetail/5866171?contributionType=1&sUid=90149&shared=1&ts=1680491732413
一、環境
paddlets時序預測，paddlets環境只能用docker，不然不太好安裝：
docker run -it -p 18888:18888 -v C:\Users\Administrator\PycharmProjects\paddlets:/pro registry.baidubce.com/paddlets/paddlets:latest bash# 或者docker run -it -p 18889:18888 --gpus all -v /ssd/xiedong/paddlets:/pro registry.baidubce.com/paddlets/paddlets:latest-gpu-cuda11.2-cudnn8 bashapt-get install -y openssh-serverapt install openssh-server --fix-missing # 不斷執行export http_proxy=192.168.3.2:10811
export https_proxy=192.168.3.2:10811apt-get updatevim /etc/ssh/sshd_configPort 18888 # 根據需求設置，容器Linux開啟SSH服務的默認端口是22
PermitRootLogin yes # 允許root用戶登錄（可選，根據需要設置）
PasswordAuthentication yes # 允許密碼身份驗證ssh-keygen -t rsa -b 2048passwd root
nihao123service ssh start二、題目1
（1）請分析所提供的 10 個地區的功率數據，并繪制功率時序曲線，分析 10 個地區
功率變化特點，初步判斷哪個地區的功率可以獲得更好的預測結果，說明你的理由。
執行程序d1t1.py可以獲得下面的圖，這是5天中，10個地區的功率YD15的曲線。從趨勢變換上來看，只有’02.csv’、'03.csv’的趨勢變化非常具有周期性，應該是可以獲得更好的預測結果的。
三、題目2
（2）分別對風速（預測風速和實際風速）、風向、溫度、濕度、氣壓與功率（兩個功率預測目標）的關系進行分析，如果要用這些氣象因素來提高功率時序預測的結果，你優先推薦哪個(或哪幾個)?簡要說明理由。
選取02.csv的數據來對比02.csv中各個特征的關系。只有圖最為直觀，相關度之類的數值可以在更復雜難分析的情況使用。
下圖是預測功率（系統生成）、實際功率（計量口徑一）、 實際功率（預測目標，計量口徑二）的圖。變化趨勢有周期性，每天都有頂峰數值。
下圖是WINDSPEED 預測風速、TEMPERATURE 溫度、ROUND(A.WS,1) 實際風速的變化圖，周期性非常明顯，從物理意義上來說也和風力發電功率非常相關。
下圖是WINDDIRECTION 風向、HUMIDITY 濕度、PRESSURE 氣壓的變化圖，數值過于平穩單調，和風力發電功率沒有太大關聯性。
如果要用這些氣象因素來提高功率時序預測的結果，優先選擇TEMPERATURE 溫度、ROUND(A.WS,1) 實際風速這2個特征。
四、題目3
（3）請根據已知的氣象數據與歷史功率數據，劃分訓練集和測試集（將數據集中最后 3 天數據作為測試集），設計方法（不限使用神經網絡等）構建預測模型，對 10 個地區的數據集內功率進行預測分析。并與原有的真實結果相比，做出誤差分析，并分析不同氣候因素對預測結果的影響。
五、函數參數
lstm = LSTNetRegressor(in_chunk_len=(24 + 19) * 7 * 4,out_chunk_len=(24 + 19) * 4, # 預測05:00之后到次日23:45的實際功率max_epochs=200,optimizer_params=dict(learning_rate=5e-3),
)
-
in_chunk_len (int): 反饋窗口的大小，即輸入到模型的時間步數。 -
out_chunk_len (int): 預測范圍的大小，即模型輸出的時間步數。 -
skip_chunk_len (int): 可選，單個樣本中輸入塊和輸出塊之間的時間步數。跳過的塊既不作為特征（即 X），也不作為標簽（即 Y）。默認情況下，不會跳過任何時間步。 -
sampling_stride (int): 相鄰樣本之間的采樣間隔。 -
loss_fn (Callable[..., paddle.Tensor]|None): 損失函數。 -
optimizer_fn (Callable[..., Optimizer]): 優化算法。 -
optimizer_params (Dict[str, Any]): 優化器參數。 -
eval_metrics (List[str]): 模型的評估指標。 -
callbacks (List[Callback]): 自定義回調函數。 -
batch_size (int): 每批次的樣本數。 -
max_epochs (int): 訓練期間的最大輪數。 -
verbose (int): 詳細模式。 -
patience (int): 在終止訓練前等待改進的輪數。 -
seed (int|None): 全局隨機種子。 -
skip_size (int): 跳過 RNN 層的跳躍大小。 -
channels (int): 第一層 Conv1D 的通道數。 -
kernel_size (int): 第一層 Conv1D 的卷積核大小。 -
rnn_cell_type (str): RNN 單元類型，可以是 GRU 或 LSTM。 -
rnn_num_cells (int): 每層的 RNN 單元數。 -
skip_rnn_cell_type (str): 跳過層的 RNN 單元類型，可以是 GRU 或 LSTM。 -
skip_rnn_num_cells (int): 跳過部分每層的 RNN 單元數。 -
dropout_rate (float): Dropout 正則化參數。 -
output_activation (str|None): 輸出使用的最后激活函數。可以是 None（默認無激活），sigmoid 或 tanh。
-選做)
)