【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 bash

apt-get install -y openssh-server

apt install openssh-server --fix-missing # 不断执行

export http_proxy=192.168.3.2:10811
export https_proxy=192.168.3.2:10811

apt-get update

vim /etc/ssh/sshd_config

Port 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 2048

passwd root
nihao123


service 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。