网站seo优化公司,中国肩章大全图解,鲁 网站 备案,网站开发设计图片预测效果 代码功能
该代码实现了一个结合卷积神经网络#xff08;CNN#xff09;和Kolmogorov–Arnold网络#xff08;KAN#xff09;的混合模型#xff08;CNN-KAN#xff09;#xff0c;用于时间序列预测任务。核心功能包括#xff1a;
数据加载与预处理#xff1…预测效果 代码功能
该代码实现了一个结合卷积神经网络CNN和Kolmogorov–Arnold网络KAN的混合模型CNN-KAN用于时间序列预测任务。核心功能包括
数据加载与预处理加载标准化后的训练集和测试集时间序列数据。模型构建 CNN部分提取时间序列的局部特征使用1D卷积层和池化层。KAN部分替代全连接层通过样条基函数增强非线性拟合能力提高预测精度。 模型训练与评估使用MSE损失和Adam优化器训练模型保存最佳模型参数并在测试集上计算评估指标MSE、RMSE、MAE、R²。结果可视化绘制训练/测试损失曲线并反归一化预测结果。 算法步骤 数据加载 使用joblib加载预处理后的训练集train_set, train_label和测试集test_set, test_label。封装为DataLoader批量大小64。 模型定义 KANLinear层 基础线性变换 样条基函数B-splines的非线性变换。支持动态网格更新和正则化损失计算。 CNN1DKANModel 卷积块多个Conv1d ReLU MaxPool1d层参考VGG架构。自适应平均池化替代全连接层减少参数量。KAN输出层生成最终预测结果。 模型训练 损失函数均方误差MSELoss。优化器Adam学习率0.0003。训练循环 前向传播 → 计算损失 → 反向传播 → 参数更新。记录每个epoch的训练/测试MSE保存最佳模型最低测试MSE。 模型评估 加载最佳模型进行预测。计算指标R²模型拟合优度、MSE、RMSE、MAE。反归一化预测结果使用预训练的StandardScaler。 可视化 绘制训练/测试MSE随epoch的变化曲线。输出评估指标和反归一化后的结果。 技术路线
框架PyTorch模型构建、训练、评估。数据预处理使用StandardScaler标准化数据通过joblib保存/加载。模型架构 特征提取CNN1D卷积层捕获时间序列局部模式。非线性映射KAN层替代传统全连接层通过样条函数灵活拟合复杂关系。 评估指标sklearn计算R²、MSE等。可视化matplotlib绘制损失曲线。 关键参数设定
参数值说明batch_size64数据批量大小epochs50训练轮数learn_rate0.0003Adam优化器学习率conv_archs((2, 32), (2, 64))CNN层配置卷积层数×通道数grid_size5KAN样条网格大小spline_order3样条多项式阶数output_dim1预测输出维度回归任务运行环境
Python库torch, joblib, numpy, pandas, sklearn, matplotlib硬件支持CUDA的GPU优先或CPU自动切换。数据依赖 预处理的训练/测试集文件train_set, train_label等。预训练的StandardScalerscaler文件。 应用场景
时间序列预测 如股票价格、气象数据、电力负荷等序列数据的未来值预测。 高非线性关系建模 KAN层通过样条基函数灵活拟合复杂非线性模式优于传统全连接层。 轻量化模型需求 自适应池化替代全连接层减少参数量模型总参数量22,432。 研究验证 探索CNN与KAN结合的混合架构在预测任务中的有效性最终R²0.995拟合优度高。 补充说明
创新点KAN作为输出层通过动态网格更新和正则化约束L1 熵增强模型表达能力。性能50个epoch后测试集MSE0.2627反归一化后MSE0.0041预测精度高。扩展性可通过调整卷积架构、KAN参数适配不同时间序列长度和复杂度。
完整代码
完整代码订阅专栏获取
# 模型预测
# 模型 测试集 验证
device torch.device(cuda if torch.cuda.is_available() else cpu)# 模型加载
model torch.load(best_model_cnn_kan.pt)
model model.to(device)# 预测数据
original_data []
pre_data []
with torch.no_grad():for data, label in test_loader:origin_lable label.tolist()original_data origin_lablemodel.eval() # 将模型设置为评估模式data, label data.to(device), label.to(device)# 预测test_pred model(data) # 对测试集进行预测test_pred test_pred.tolist()pre_data test_pred
[8]
import numpy as np
from sklearn.metrics import mean_squared_error, mean_absolute_error, r2_score# 模型分数
score r2_score(original_data, pre_data)
print(**50)
print(模型分数--R^2:,score)print(**50)
# 测试集上的预测误差
test_mse mean_squared_error(original_data, pre_data)
test_rmse np.sqrt(test_mse)
test_mae mean_absolute_error(original_data, pre_data)
print(测试数据集上的均方误差--MSE: ,test_mse)
print(测试数据集上的均方根误差--RMSE: ,test_rmse)
print(测试数据集上的平均绝对误差--MAE: ,test_mae)
**************************************************
模型分数--R^2: 0.9954956071920047
**************************************************
测试数据集上的均方误差--MSE: 0.004104453060426307
测试数据集上的均方根误差--RMSE: 0.06406600549766082
测试数据集上的平均绝对误差--MAE: 0.047805079976603375[19]
from sklearn.preprocessing import StandardScaler, MinMaxScaler# 将列表转换为 NumPy 数组
original_data np.array(original_data)
pre_data np.array(pre_data)# 反归一化处理
# 使用相同的均值和标准差对预测结果进行反归一化处理
# 反标准化
scaler load(scaler)
original_data scaler.inverse_transform(original_data)
pre_data scaler.inverse_transform(pre_data)
[20]
# 可视化结果
plt.figure(figsize(12, 6), dpi100)
plt.plot(original_data, label原始值,colororange) # 真实值
plt.plot(pre_data, labelCNN-KAN预测值,colorgreen) # 预测值
plt.legend()
plt.show()
