基于MLP BP时间序列预测Python程序

 

基于MLP \ BP预测模型

 

特色：1、单变量，多变量输入，自由切换 

           2、单步预测，多步预测，自动切换

           3、基于Pytorch架构

           4、多个评估指标（MAE,MSE,R2,MAPE等）

           5、数据从excel文件中读取，更换简单

           6、标准框架，数据分为训练集、验证集，测试集

 

全部完整的代码，保证可以运行的代码看这里。

http://t.csdnimg.cn/El450

 

  ！！！如果第一个链接打不开，请点击个人首页，查看我的个人介绍。

（搜索到的产品后，点头像，就能看到全部代码）

黑科技小土豆的博客_CSDN博客-深度学习,32单片机领域博主

 

1、背景简介： BP神经网络是一种广泛使用的前馈神经网络，具有多层结构，其中包括输入层、隐层和输出层。BP算法主要由两个步骤组成：前向传播和误差反向传播。在前向传播中，输入信号通过网络的权重产生输出信号。在误差反向传播中，网络通过调整权重来最小化输出误差。BP模型可以广泛应用于各种时间序列问题，如预测、分类、回归等。

2、优点总结：

• 训练速度较快，可用于对大量数据的训练；
• 可以有效地处理非线性问题和数据的噪声；
• 可以进行在线学习，适用于动态的时间序列问题；
• 可以进行深层次的网络设计，更好地拟合非线性模型。

train_ratio = 0.7  # 训练集比例
val_ratio = 0.15  # 验证集比例
test_ratio = 0.15  # 测试集比例
input_length = 48  # 输入数据长度，多步预测建议长，单步预测建议短
output_length = 1  # 输出数据长度，1为单步预测，1以上为多步预测 请注意，随着输出长度的增长，模型训练时间呈指数级增长
learning_rate = 0.1  # 学习率
estimators = 100  # 迭代次数
max_depth = 5  # 树模型的最大深度
interval_length = 2000  # 预测数据长度，最长不可以超过总数据条数
scalar = True  # 是否使用归一化
scalar_contain_labels = True  # 归一化过程是否包含目标值的历史数据
target_value = 'load'  # 需要预测的列名，可以在excel中查看