高级神经网络Keras+CNN-GRU-Attention负荷预测（Python代码实现）

 目录

1 高级神经网络Keras知识点讲解及入门算例

2  CNN-GRU-Attention负荷预测

2.1 Python代码实现

2.2 运行结果

3 高级神经网络Keras+CNN-GRU-Attention负荷预测（Python代码+数据）

1 高级神经网络Keras知识点讲解及入门算例

【数学建模】“华为杯”高级神经网络Keras(Python代码实现)

2  CNN-GRU-Attention负荷预测

2.1 Python代码实现

部分代码：

# 分为输入输出，将前一采样点的天气因素和电力负荷作为输入，后一采样点的作为输出标签

train_X, train_y = train[:, :-1], train[:, -1]

val_X, val_y = val[:, :-1], val[:, -1]

test_X, test_y = test[:, :-1], test[:, -1]

# print(train_X.shape[1])

# 重塑成3D形状 [样例, 时间步, 特征]，该3D形状为循环神经网络的固定要求的输出维度要求

train_X = train_X.reshape((train_X.shape[0], 1, train_X.shape[1]))

val_X = val_X.reshape((val_X.shape[0], 1, val_X.shape[1]))

test_X = test_X.reshape((test_X.shape[0], 1, test_X.shape[1]))

# print(train_X)

# window_size设置窗口大小为1，可以理解为时间步为1，特征数为7

window_size = 1

fea_num = 7

# 按照keras的要求搭建神经网络

model = keras.Sequential()

# 设置输入数据的大小

model.add(Input((window_size, fea_num)))

model.add(Reshape((window_size, fea_num, 1)))

model.add(Conv2D(filters=32, kernel_size=3, strides=1, padding="same", activation="relu"))

model.add(MaxPooling2D(pool_size=2, strides=1, padding="same"))

model.add(Dropout(0.3))

model.add(Reshape((window_size, -1)))

model.add(GRU(10, return_sequences=True))

model.add(GRU(20, return_sequences=True))

model.add(Attention(50))

model.add(Dense(10, activation="relu"))

model.add(Dense(1))

print(model.summary())

# 对网络进行编译，选择计算误差的函数，优化器。

model.compile(loss='mse', optimizer='adam', metrics=['mse'])

# 拟合网络，对模型进行50轮的训练，每个批次512个数据，将验证数据集输入网络进行验证。

history = model.fit(train_X, train_y, epochs=50, batch_size=512, verbose=2, validation_data=(val_X, val_y))

model.save('CNN-LSTM-Attention.h5')

# 训练完了以后利用训练好的模型作出预测

yhat = model.predict(test_X)

数据：

2.2 运行结果

3 高级神经网络Keras+CNN-GRU-Attention负荷预测（Python代码+数据）

链接：https://pan.baidu.com/s/1rE5xcvUBOtVDNFrNcJcXqg 

提取码：jntx

--来自百度网盘超级会员V3的分享