預測效果

代碼主要功能

該代碼實現了一個結合CNN（卷積神經網絡）、LSTM（長短期記憶網絡）和KAN（Kolmogorov-Arnold Network）的混合模型，用于時間序列預測任務。主要流程包括：

數據加載：加載預處理的訓練/測試集（特征和標簽）。
模型構建：
自定義KANLinear層（基于樣條函數的非線性激活）
構建CNNLSTMKANModel（CNN提取特征 → LSTM處理序列 → KAN層預測）
模型訓練：使用MSE損失和Adam優化器，記錄訓練/驗證損失。
模型評估：加載最佳模型預測測試集，計算R2、MSE、RMSE、MAE指標。
結果可視化：繪制損失曲線和預測效果對比圖。
算法步驟
數據準備

使用joblib加載標準化后的訓練/測試數據（train_set/test_set等）
封裝為PyTorch的DataLoader（批處理大小batch_size=64）
模型定義
KANLinear層：

CNN-LSTM-KAN模型：

CNN模塊：多層卷積（Conv1d）+ ReLU + 最大池化
LSTM模塊：多層LSTM處理時序特征
KAN輸出層：替換傳統全連接層做最終預測
用樣條基函數（B-splines）替代傳統激活函數
實現curve2coeff（樣條系數計算）、regularization_loss（正則化）
模型訓練

優化器：Adam（學習率0.0003）
損失函數：均方誤差（nn.MSELoss）
每epoch記錄訓練/驗證損失，保存最佳模型
評估與可視化

加載最佳模型預測測試集
反歸一化預測結果（使用StandardScaler）
計算評估指標（R2、MSE等）并繪制損失曲線
技術路線
數據流
原始數據 → 預處理（標準化）→ DataLoader → 模型輸入

模型結構

Input → CNN（特征提取）→ LSTM（時序建模）→ KAN（非線性預測）→ Output
關鍵創新

KAN層：通過樣條插值增強模型表達能力（優于傳統ReLU）
混合架構：CNN捕捉局部模式，LSTM學習長期依賴，KAN提供靈活映射
評估方法

使用R2（解釋方差）、MSE（均方誤差）、RMSE（均方根誤差）、MAE（平均絕對誤差）
反歸一化后對比預測值與真實值

完整代碼

• 完整代碼訂閱專欄獲取

運行環境
Python庫依賴

torch, joblib, numpy, pandas # 數據處理與模型構建
sklearn.metrics, matplotlib # 評估與可視化
硬件要求

自動檢測GPU（優先使用CUDA）：
device = torch.device(“cuda” if torch.cuda.is_available() else “cpu”)
若無GPU則退化為CPU運行
數據預準備

訓練/測試集需預先保存為train_set、train_label等文件（通過joblib）
補充說明
KAN的優勢：
樣條函數提供更高階非線性擬合能力，適合復雜時間序列模式。
混合架構意義：
CNN提取空間特征 → LSTM捕獲時間依賴 → KAN增強預測靈活性。
關鍵文件：
最佳模型保存為best_model_cnn_lstm_kan.pt
標準化器保存為scaler（用于結果反歸一化）
此模型適用于單變量時間序列預測（如風速、股價等），通過混合架構平衡特征提取與序列建模能力，KAN層進一步提升非線性擬合性能。