基于TCN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
1、TCN模型背景简介
TCN（Temporal Convolutional Network）是一种基于卷积神经网络的时间序列预测模型，通过堆叠卷积层来建模时间序列中的长期依赖。与传统的基于循环神经网络（RNN）的模型不同，TCN模型不需要使用循环结构，避免了RNN模型存在的梯度消失和梯度爆炸等问题。此外，TCN模型还具有平行计算和较低的计算复杂度等优点，能够有效地提高训练速度和精度。
对于每一层卷积，TCN采用了相同的核大小和步幅，使得网络能够更好地捕捉信号的局部结构信息。此外，为了提高模型的泛化能力，每一层卷积后都使用了L2正则化方法。最终，通过堆叠多个卷积层，TCN模型能够学习时间序列数据中的长期依赖关系，从而得出更加准确的预测结果。
2、TCN模型优点总结
本模型的优点有：
- TCN模型采用卷积层建模时间序列数据，避免使用循环结构导致的梯度消失和梯度爆炸等问题。同时，卷积操作可以平行化处理，具有更快的训练速度和更低的计算复杂度；
- TCN模型对于每层卷积使用相同的核大小和步幅，更好地捕捉了时间序列数据中的局部结构信息；
- TCN模型在每一层卷积后使用L2正则化方法，可以提高网络的泛化能力；
- 通过堆叠多个卷积层，TCN模型能够学习到时间序列数据中的长期依赖关系，从而得出更加准确的预测结果。
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
