时序预测 | 改进图卷积+informer时间序列预测，pytorch架构
【摘要】 时序预测 | 改进图卷积+informer时间序列预测，pytorch架构
基本介绍
改进图卷积+informer时间序列预测代码
CTR-GC卷积,informer，CTR-GC
图卷积 GCN 中，图拓扑在特征聚合中占主导地位，提取代表性特征的关键。因此提出了一种改进GCN的新方法，叫通道拓扑细化图卷积 （CTR-GC），以动态学习不同的拓扑结构，并有效地聚合不同通道中的特征。
本代码尝试将它转移用到时间序列中，创新思维的三维转二维，利用部分卷积进行特征提取，将提取的结果放入informer进行预测，预测还不错，同时证实了引入图卷积的可行性。
python代码
pytorch架构
适合功率预测，风电光伏预测，负荷预测，流量预测，浓度预测，机械领域预测等等各种时间序列直接预测。验证模型，划分测试集训练集。
1.多变量输入，单变量输出
2.多时间步预测，单时间步预测
3.R方,MAE，MSE MAPE对比图，误差图（缺少的可自行添加）
4.将结果保存下来供后续处理
5.代码自带数据，一键运行，csv，xlsx文件读取数据，也可以替换自己数据集很简单。
【声明】本内容来自华为云开发者社区博主，不代表华为云及华为云开发者社区的观点和立场。转载时必须标注文章的来源（华为云社区）、文章链接、文章作者等基本信息，否则作者和本社区有权追究责任。如果您发现本社区中有涉嫌抄袭的内容，欢迎发送邮件进行举报，并提供相关证据，一经查实，本社区将立刻删除涉嫌侵权内容，举报邮箱：
cloudbbs@huaweicloud.com
- 点赞
- 收藏
- 关注作者
作者其他文章
评论（0）