咱们一同聊聊基于时空特色提取的并行预测模型
前言
本文基于前期引见的电力变压器，引见一种基于TCN-SENet +BiGRU-GlobalAttention并行预测模型，以提高期间序列数据的预测功能。电力变压器数据集的具体引见可以参考下文：
电力变压器数据集引见和预处置
1 模型全体结构
模型全体结构如下所示:
分支一：经过基于通道留意力机制(SENet)的TCN模型网络，来自顺应地调整通道特色的权重，使模型能够智能学习到不同通道的关键性，提取了多特色序列中与预测指标关系的关键空间特色；
分支二：多特色序列数据同时经过基于GlobalAttention提升的BiGRU网络,GlobalAttention是一种用于增强模型对输入序列不同局部的关注水平的机制。在 BiGRU 模型中，全局留意力机制可以协助模型更好地聚焦于输入序列中最关系的局部，从而提高模型的功能和泛化才干。在每个期间步，全局留意力机制计算一个权重向量，示意模型对输入序列各个局部的关注水平，而后将这些权重运行于 BiGRU 输入的特色示意，经过对一切位置的特色启动加权，使模型能够更有针对性地关器关键的时域特色, 提高了模型对多特色序列时域特色的感知才干；
特色融合：而后两个分支提取的空间特色和全局时域特色经过重叠融合，使模型能够更好地融合不同档次的特色示意，提高模型功能和泛化才干。
通道留意力机制
Squeeze-and-Excitation Networks
全局留意力机制：
Global Attention Mechanism
2多特色变量数据集制造与预处置
2.1 导入数据
2.2 制造数据集
制造数据集与分类标签
3 基于TCN-SENet +BiGRU-GlobalAttention并行的高精度预测模型
3.1定义网络模型
留意：输入数据状态为 [64, 7, 7]， batch_size=32，7代表序列长度（滑动窗口取值）, 维度7维代表7个变量的维度。
3.2 设置参数，训练模型
50个epoch，训练误差极小，多变量特色序列TCN-SENet +BiGRU-GlobalAttention并行融合网络模型预测成果清楚，模型能够充沛提取期间序列的空间特色和时序特色，收敛速度快，功能优越，预测精度高，能够从序列时空特色中提取出对模型预测关键的特色，成果清楚！
留意调整参数：
4 模型评价与可视化
4.1 结果可视化
4.2 模型评价
4.3 特色可视化
