【深度学习】paddlets,时序数据预测

文章目录

  • 一、环境
  • 二、题目1
  • 三、题目2
  • 四、题目3
  • 五、函数参数

资料:

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、环境

paddlets时序预测,paddlets环境只能用docker,不然不太好安装:


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 # 不断执行export http_proxy=192.168.3.2:10811
export https_proxy=192.168.3.2:10811apt-get updatevim /etc/ssh/sshd_configPort 18888 # 根据需求设置,容器Linux开启SSH服务的默认端口是22
PermitRootLogin yes  # 允许root用户登录(可选,根据需要设置)
PasswordAuthentication yes  # 允许密码身份验证ssh-keygen -t rsa -b 2048passwd root
nihao123service ssh start

二、题目1

(1)请分析所提供的 10 个地区的功率数据,并绘制功率时序曲线,分析 10 个地区
功率变化特点,初步判断哪个地区的功率可以获得更好的预测结果,说明你的理由。

执行程序d1t1.py可以获得下面的图,这是5天中,10个地区的功率YD15的曲线。从趋势变换上来看,只有’02.csv’、'03.csv’的趋势变化非常具有周期性,应该是可以获得更好的预测结果的。

在这里插入图片描述

三、题目2

(2)分别对风速(预测风速和实际风速)、风向、温度、湿度、气压与功率(两个功率预测目标)的关系进行分析,如果要用这些气象因素来提高功率时序预测的结果,你优先推荐哪个(或哪几个)?简要说明理由。

选取02.csv的数据来对比02.csv中各个特征的关系。只有图最为直观,相关度之类的数值可以在更复杂难分析的情况使用。

下图是预测功率(系统生成)、实际功率(计量口径一)、 实际功率(预测目标,计量口径二)的图。变化趋势有周期性,每天都有顶峰数值。
在这里插入图片描述

下图是WINDSPEED 预测风速、TEMPERATURE 温度、ROUND(A.WS,1) 实际风速的变化图,周期性非常明显,从物理意义上来说也和风力发电功率非常相关。
在这里插入图片描述

下图是WINDDIRECTION 风向、HUMIDITY 湿度、PRESSURE 气压的变化图,数值过于平稳单调,和风力发电功率没有太大关联性。
在这里插入图片描述
如果要用这些气象因素来提高功率时序预测的结果,优先选择TEMPERATURE 温度、ROUND(A.WS,1) 实际风速这2个特征。

四、题目3

(3)请根据已知的气象数据与历史功率数据,划分训练集和测试集(将数据集中最后 3 天数据作为测试集),设计方法(不限使用神经网络等)构建预测模型,对 10 个地区的数据集内功率进行预测分析。并与原有的真实结果相比,做出误差分析,并分析不同气候因素对预测结果的影响。

五、函数参数

lstm = LSTNetRegressor(in_chunk_len=(24 + 19) * 7 * 4,out_chunk_len=(24 + 19) * 4,  # 预测05:00之后到次日23:45的实际功率max_epochs=200,optimizer_params=dict(learning_rate=5e-3),
)
  • in_chunk_len (int): 反馈窗口的大小,即输入到模型的时间步数。

  • out_chunk_len (int): 预测范围的大小,即模型输出的时间步数。

  • skip_chunk_len (int): 可选,单个样本中输入块和输出块之间的时间步数。跳过的块既不作为特征(即 X),也不作为标签(即 Y)。默认情况下,不会跳过任何时间步。

  • sampling_stride (int): 相邻样本之间的采样间隔。

  • loss_fn (Callable[..., paddle.Tensor]|None): 损失函数。

  • optimizer_fn (Callable[..., Optimizer]): 优化算法。

  • optimizer_params (Dict[str, Any]): 优化器参数。

  • eval_metrics (List[str]): 模型的评估指标。

  • callbacks (List[Callback]): 自定义回调函数。

  • batch_size (int): 每批次的样本数。

  • max_epochs (int): 训练期间的最大轮数。

  • verbose (int): 详细模式。

  • patience (int): 在终止训练前等待改进的轮数。

  • seed (int|None): 全局随机种子。

  • skip_size (int): 跳过 RNN 层的跳跃大小。

  • channels (int): 第一层 Conv1D 的通道数。

  • kernel_size (int): 第一层 Conv1D 的卷积核大小。

  • rnn_cell_type (str): RNN 单元类型,可以是 GRU 或 LSTM。

  • rnn_num_cells (int): 每层的 RNN 单元数。

  • skip_rnn_cell_type (str): 跳过层的 RNN 单元类型,可以是 GRU 或 LSTM。

  • skip_rnn_num_cells (int): 跳过部分每层的 RNN 单元数。

  • dropout_rate (float): Dropout 正则化参数。

  • output_activation (str|None): 输出使用的最后激活函数。可以是 None(默认无激活),sigmoid 或 tanh。

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/bicheng/16150.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

陪跑真正值钱的不是教程,是你遇到那个挡住你的问题时,身边有个靠谱的人

今天分享两个概念,一个是意识决定一切,一个是大道至简,做项目就是按部就班的遵循事情发展规律去做。 先说第一个概念,意识决定一切。我们说的凡事预则立不预则废,就是计划了去做就会有结果。 给你们一个表,…

Linux简单通过Minicom命令操作串口设备(linux串口操作命令)

Minicom是一个在Linux系统中广泛使用的串行通信程序。它类似于Windows下的超级终端,允许用户通过串口与外部硬件设备进行通信。Minicom不仅功能强大,而且完全免费,带有源代码,可以在大多数Unix系统下运行。 安装Minicom 在大多数Linux发行版中,Minicom可能没有预装。可以…

【前端】面试八股文——BFC

面试八股文——BFC 在前端开发的面试中,BFC(Block Formatting Context,块级格式化上下文)常常是一个高频出现的考点。它不仅考察应聘者对CSS布局的理解深度,也是面试官判断候选人解决实际问题能力的重要依据之一。因此…

python接口自动化测试中为什么用yaml文件进行用例管理而不是json文件

在Python接口自动化测试中,使用YAML文件进行用例管理而不是JSON文件,主要基于以下几个原因: 可读性:YAML文件使用缩进和冒号来表示层级结构,使得文件内容更加清晰易读。相比之下,JSON文件则使用大括号和中…

MySQL——索引与事务

目录 前言 一、索引 1.索引概述 (1)基本概念 (2)索引作用 (3)索引特点 (4)适用场景 2.索引的操作 (1)查看索引 (2)创建索引…

LeetCode399触发求值

题目描述 给你一个变量对数组 equations 和一个实数值数组 values 作为已知条件,其中 equations[i] [Ai, Bi] 和 values[i] 共同表示等式 Ai / Bi values[i] 。每个 Ai 或 Bi 是一个表示单个变量的字符串。另有一些以数组 queries 表示的问题,其中 que…

文科论文,使用AI写作时能够提供实证数据吗?

人工智能时代,为了撰写论文提供思路及高效,利用AI撰写论文已是常态,可撰写文科论文通常研究中都需要实证数据,而AI撰写论文时能够提供这样的数据吗? 一、什么是实证数据 实证数据是指从研究报告、财务报表、新闻报道…

计算机网络——TCP 协议的三次握手 / 四次挥手

简述 TCP / UDP 协议都是传输层的协议。 UDP 是面向无连接的协议,就是说发送端不在乎消息数据是否传输到接收端了,所以会出现数据丢失的情况,所以可靠性也不高。 TCP 是面向连接的、可靠的、基于字节流的传输层协议。所谓面向连接的&#…

Flink-cdc更好的流式数据集成工具

What’s Flink-cdc? Flink CDC 是基于Apache Flink的一种数据变更捕获技术,用于从数据源(如数据库)中捕获和处理数据的变更事件。CDC技术允许实时地捕获数据库中的增、删、改操作,将这些变更事件转化为流式数据,并能够…

Windows平台C#版RTSP转RTMP直播推送定制版

技术背景 前几年我们发布了C版的多路RTMP/RTSP转RTMP转发官方定制版。在秉承低延迟、灵活稳定、低资源占用的前提下,客户无需关注开发细节,只需图形化配置转发等各类参数,实现产品快速上线目的。 如监控类摄像机、NVR等,通过厂商…

【启程Golang之旅】深入解析函数的奥秘与技巧

欢迎来到Golang的世界!在当今快节奏的软件开发领域,选择一种高效、简洁的编程语言至关重要。而在这方面,Golang(又称Go)无疑是一个备受瞩目的选择。在本文中,带领您探索Golang的世界,一步步地了…

【全开源】海报在线制作系统源码(ThinkPHP+FastAdmin+UniApp)

打造个性化创意海报的利器 引言 在数字化时代,海报作为一种重要的宣传媒介,其设计质量和效率直接影响着宣传效果。为了满足广大用户对于个性化、高效制作海报的需求,海报在线制作系统源码应运而生。本文将详细介绍海报在线制作系统源码的特…

AbMole - 肿瘤发展与免疫器官的“舞蹈”:一场细胞层面的时间赛跑

在生物医学领域,肿瘤与免疫系统之间的相互作用一直是研究的热点话题。肿瘤细胞不是孤立存在的,它们与宿主的免疫系统进行着一场复杂的“舞蹈”。 最近,一项发表在《Molecular & Cellular Proteomics》杂志上的研究,为我们揭开…

【C++】二分查找算法

1.题目 2.算法思路 暴力解法:可以将数组遍历一遍,就可以找到。时间复杂度为O(n)。不算太差,可以接受。 但是有更优秀的解法: 就是二分查找算法。 算法的特点:我们所查找的“数组”具有二段性。这里的二段性不一定有…

头歌OpenGauss数据库-L.应用开发(Python)-选做

第1关:简单查询 编程要求 正确使用 psycopg2 ,查询金融应用场景数据库 finance 的 client 表(客户表)中邮箱不为空的客户信息,列出客户姓名,邮箱和电话.一个展示结果的示例如下(字体颜色不是编程要求): 注意:你要连接到finance数据库上(后面第2-6关也是连接这个数据库)…

【C/C++】详解关联容器map的使用

🔗 运行环境:Matlab 🚩 撰写作者:左手の明天 🥇 精选专栏:《python》 🔥 推荐专栏:《算法研究》 🔐#### 防伪水印——左手の明天 ####🔐 💗 大家…

mpv常用快捷键

1 mpv mpv是Linux下的一个开源视频播放器,使用Manjaro的话安装方式如下: paru -S mpv2 常用快捷键 q:推出w/e:视频缩放r/t:调整字幕位置u:开启/关闭ass/ssa字幕覆盖i:显示当前播放的视频信息…

Oracle 并行和 session 数量的

这也就是为什么我们指定parallel为4,而实际并行度为8的原因。 insert create index,发现并行数都是加倍的 Indexes seem always created with parallel degree 1 during import as seen from a sqlfile. The sql file shows content like: CREATE INDE…

求平方数 1 到 N 之间所有正整数的平方数

概念: 平方数的概念: 平方数是指一个数的平方等于另一个数的数,具有正平方数和负平方数,其性质和运用在多领域中具有重要意义,如几何、自然科学、计算机科学和物理学。平方数的计算和运用在多领域中常见,例…

滑不动窗口的秘密—— “滑动窗口“算法 (Java版)

本篇会加入个人的所谓鱼式疯言 ❤️❤️❤️鱼式疯言:❤️❤️❤️此疯言非彼疯言 而是理解过并总结出来通俗易懂的大白话, 小编会尽可能的在每个概念后插入鱼式疯言,帮助大家理解的. 🤭🤭🤭可能说的不是那么严谨.但小编初心是能让更多人能接…