基于LightGBM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.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
LightGBM（Light Gradient Boosting Machine）是一种基于决策树的梯度提升框架，是 Microsoft Research Lab 开发的一种机器学习模型，通过并行训练和处理列特征，提高了模型的训练效率和精度。它使用了基于直方图的算法，能够高效地处理大规模数据集和高维度的特征，并显著减少内存使用量。
LightGBM 模型的优点包括：
- 高效性：LightGBM 基于直方图算法，能够快速高效地处理大规模数据集和高维度特征，同时减少了内存占用。
- 准确性：LightGBM 通过 GOSS（Gradient-Based One-Side Sampling）和 EFB（Exclusive Feature Bundling）等优化算法，能够提高模型的准确性和泛化能力。
GOSS 通过梯度信息对样本进行采样，去掉梯度小的样本，保留相对重要的样本，从而提高模型的精度和效率。EFB 则通过对特征进行绑定操作，在保证精度的同时，显著减少内存使用。
因此，LightGBM 模型是在各种复杂的分类和回归问题中表现出色的一种强有力模型，已经被广泛应用于许多领域，如搜索引擎、广告及金融建模等。
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