基于self-attention的TCN-BILSTM时间序列预测Python程序
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.csdn.cn/obJlC
http://t.csdn.cn/obJlC
！！！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： 本模型是基于TCN和BILSTM结构，加上了self-attention机制来进行时间序列的预测。TCN是一个类似于卷积神经网络的结构，但是它的卷积层是一种可重用的模块，这可以使得模型的深度和广度都大大增加。LSTM是一种递归神经网络，可以处理时间序列中的长期依赖问题。self-attention机制则是将网络的注意力放在了输入数据的不同部分上，使得模型能够关注到最为重要的特征。
2、优点总结：
- 由于采取了TCN结构，可以处理多维输入，而且不受长度限制，适应性较强；
- 引入了self-attention机制，可以使得模型更好地关注到输入序列中最为重要的部分，从而提高了模型的准确性。
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