●?環境框架：python 3.9 ?pytorch 1.8 及其以上版本均可運行
●?使用對象：論文需求、畢業設計需求者
●?代碼保證：代碼注釋詳細、即拿即可跑通。
?往期精彩內容：
時序預測：LSTM、ARIMA、Holt-Winters、SARIMA模型的分析與比較-CSDN博客
風速預測（一）數據集介紹和預處理-CSDN博客
風速預測（二）基于Pytorch的EMD-LSTM模型-CSDN博客
風速預測（三）EMD-LSTM-Attention模型-CSDN博客
風速預測（四）基于Pytorch的EMD-Transformer模型-CSDN博客
風速預測（五）基于Pytorch的EMD-CNN-LSTM模型-CSDN博客
風速預測（六）基于Pytorch的EMD-CNN-GRU并行模型-CSDN博客
風速預測（七）VMD-CNN-BiLSTM預測模型-CSDN博客
CEEMDAN +組合預測模型(BiLSTM-Attention + ARIMA)-CSDN博客
CEEMDAN +組合預測模型(CNN-LSTM + ARIMA)-CSDN博客
CEEMDAN +組合預測模型(Transformer - BiLSTM+ ARIMA)-CSDN博客
?CEEMDAN +組合預測模型(CNN-Transformer + ARIMA)-CSDN博客
多特征變量序列預測(一)——CNN-LSTM風速預測模型-CSDN博客
多特征變量序列預測(二)——CNN-LSTM-Attention風速預測模型-CSDN博客
多特征變量序列預測(三)——CNN-Transformer風速預測模型-CSDN博客
多特征變量序列預測(四)Transformer-BiLSTM風速預測模型-CSDN博客
多特征變量序列預測(五) CEEMDAN+CNN-LSTM風速預測模型-CSDN博客
多特征變量序列預測(六) CEEMDAN+CNN-Transformer風速預測模型-CSDN博客
多特征變量序列預測(七) CEEMDAN+Transformer-BiLSTM預測模型-CSDN博客
基于麻雀優化算法SSA的CEEMDAN-BiLSTM-Attention的預測模型-CSDN博客
基于麻雀優化算法SSA的CEEMDAN-Transformer-BiGRU預測模型-CSDN博客
多特征變量序列預測(八)基于麻雀優化算法的CEEMDAN-SSA-BiLSTM預測模型-CSDN博客
多特征變量序列預測(九)基于麻雀優化算法的CEEMDAN-SSA-BiGRU-Attention預測模型-CSDN博客
多特征變量序列預測(10)基于麻雀優化算法的CEEMDAN-SSA-Transformer-BiLSTM預測模型-CSDN博客
超強預測算法：XGBoost預測模型-CSDN博客
VMD + CEEMDAN 二次分解，BiLSTM-Attention預測模型-CSDN博客
VMD + CEEMDAN 二次分解，CNN-LSTM預測模型-CSDN博客
基于麻雀優化算法SSA的預測模型——代碼全家桶-CSDN博客
多特征變量序列預測 -TCN 預測模型-CSDN博客
VMD + CEEMDAN 二次分解，CNN-Transformer預測模型-CSDN博客
Python軸承故障診斷 (17)基于TCN-CNN并行的一維故障信號識別模型-CSDN博客
交叉注意力融合時空特征的TCN-Transformer并行預測模型-CSDN博客
風速預測（八）VMD-CNN-Transformer預測模型-CSDN博客
VMD + CEEMDAN 二次分解，Transformer-BiGRU預測模型-CSDN博客
獨家原創 | 基于TCN-SENet +BiGRU-GlobalAttention并行預測模型-CSDN博客
獨家原創 | BiTCN-BiGRU-CrossAttention融合時空特征的高創新預測模型-CSDN博客
基于LSTM網絡的多步預測模型_pytorch transformer-CSDN博客
基于1DCNN網絡的多步預測模型-CSDN博客
高創新 | CEEMDAN + SSA-TCN-BiLSTM-Attention預測模型-CSDN博客
基于Transformer網絡的多步預測模型-CSDN博客
獨家原創 | 超強組合預測模型！-CSDN博客
基于TCN網絡的多步預測模型-CSDN博客
基于CNN-LSTM網絡的多步預測模型-CSDN博客
包括完整流程數據代碼處理：
多步預測數據集制作、數據加載、模型定義、參數設置、模型訓練、模型測試、預測可視化、多步預測、模型評估
全網最低價，入門多步預測最佳教程
配有代碼、文件介紹：
前言
本文基于前期介紹的電力變壓器（文末附數據集），介紹一種基于CNN-LSTM網絡的多步預測模型。
電力變壓器數據集的詳細介紹可以參考下文：
電力變壓器數據集介紹和預處理-CSDN博客
1 電力變壓器數據預處理與可視化
1.1 導入數據
1.2 多步預測預處理
2 基于CNN-LSTM的多步預測模型
2.1?定義CNN-LSTM網絡模型
2.2 設置參數，訓練模型
50個epoch，MSE 為0.000311，CNN-LSTM多步預測模型預測效果顯著，模型能夠充分提取序列的時空特征，收斂速度快，性能優越，預測精度高，適當調整模型參數，還可以進一步提高模型預測表現。
注意調整參數：
-
可以適當增加CNN層數和每層通道數，微調學習率；
-
調整LSTM層數和每層神經元個數，增加更多的 epoch （注意防止過擬合）
-
可以改變滑動窗口長度（設置合適的窗口長度）
3 結果可視化和預測、模型評估
3.1 預測結果可視化
3.2 加載模型進行預測
3.3 模型評估
代碼、數據如下：
對數據集和代碼感興趣的，可以關注最后一行
# 加載數據
import torch
from joblib import dump, load
import torch.utils.data as Data
import numpy as np
import pandas as pd
import torch
import torch.nn as nn
# 參數與配置
torch.manual_seed(100) # 設置隨機種子，以使實驗結果具有可重復性
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")#代碼和數據集：https://mbd.pub/o/bread/ZpWYmJps
)
