回归预测模型 | LSTM、CNN、Transformer、TCN、串行、并行模型集合

往期精彩内容：

时序预测：LSTM、ARIMA、Holt-Winters、SARIMA模型的分析与比较

全是干货 | 数据集、学习资料、建模资源分享！

EMD变体分解效果最好算法——CEEMDAN（五）-CSDN博客

拒绝信息泄露！VMD滚动分解 + Informer-BiLSTM并行预测模型-CSDN博客

单步预测-风速预测模型代码全家桶-CSDN博客

CEEMDAN +组合预测模型(BiLSTM-Attention + ARIMA)-CSDN博客

CEEMDAN +组合预测模型(Transformer - BiLSTM + ARIMA)-CSDN博客

基于麻雀优化算法SSA的CEEMDAN-BiLSTM-Attention的预测模型-CSDN博客

基于麻雀优化算法SSA的CEEMDAN-Transformer-BiGRU预测模型-CSDN博客

半天入门！锂电池剩余寿命预测（Python）-CSDN博客

超强预测模型：二次分解-组合预测-CSDN博客

VMD + CEEMDAN 二次分解，BiLSTM-Attention预测模型-CSDN博客

超强预测算法：XGBoost预测模型-CSDN博客

基于麻雀优化算法SSA的预测模型——代码全家桶-CSDN博客

VMD + CEEMDAN 二次分解，CNN-Transformer预测模型-CSDN博客

独家原创 | SCI 1区 高创新预测模型！-CSDN博客

风速预测（八）VMD-CNN-Transformer预测模型-CSDN博客

高创新 | CEEMDAN + SSA-TCN-BiLSTM-Attention预测模型-CSDN博客

VMD + CEEMDAN 二次分解，Transformer-BiGRU预测模型-CSDN博客

独家原创 | 超强组合预测模型！-CSDN博客

全网最低价 | 全家桶持续更新！-CSDN博客

独家原创 | 基于TCN-SENet +BiGRU-GlobalAttention并行预测模型-CSDN博客

VMD + CEEMDAN 二次分解——创新预测模型合集-CSDN博客

独家原创 | BiTCN-BiGRU-CrossAttention融合时空特征的高创新预测模型-CSDN博客

CEEMDAN +组合预测模型(CNN-Transfromer + XGBoost)-CSDN博客

时空特征融合的BiTCN-Transformer并行预测模型-CSDN博客

独家首发 | 基于多级注意力机制的并行预测模型-CSDN博客

独家原创 | CEEMDAN-CNN-GRU-GlobalAttention + XGBoost组合预测-CSDN博客

多步预测系列 | LSTM、CNN、Transformer、TCN、串行、并行模型集合-CSDN博客

独家原创 | CEEMDAN-Transformer-BiLSTM并行 + XGBoost组合预测-CSDN博客

● 环境框架：python 3.9  pytorch 1.8 及其以上版本均可运行

● 使用对象：论文需求、毕业设计需求者

● 代码保证：代码注释详细、即拿即可跑通。

什么是回归预测？和一般的时间序列预测有什么不同？

1. 回归预测：

• 回归预测通常指的是利用特征来预测一个连续型的目标变量。例如，根据房屋的面积、地理位置、房龄等特征来预测房价。在回归预测中，目标变量一般是连续的实数值，可以是任意范围内的数值。

• 回归预测的特征可以包括各种类型的数据，包括数值型、类别型、文本型等，而目标变量是连续的实数值。

• 常见的回归模型包括线性回归、岭回归、Lasso回归、决策树回归、随机森林回归等。

2. 时间序列预测：

• 时间序列预测是指根据一系列按时间顺序排列的数据点，预测未来的数值。这些数据点通常是按照固定时间间隔采集的，比如每天、每月或每年。

• 时间序列预测的目标是根据过去的数据来预测未来的数值，因此时间顺序在预测任务中非常重要。

• 时间序列预测通常涉及到一些特定的方法，比如ARIMA模型、LSTM（Long Short-Term Memory）神经网络、Prophet模型等，这些方法能够充分利用数据中的时间结构和周期性。

包括完整流程数据代码处理：

回归预测数据集制作、数据加载、模型定义、参数设置、模型训练、模型测试、预测可视化、模型评估

配有代码、文件介绍：

前言

本文基于 Kaggle平台——洪水数据集的回归预测（文末附数据集），介绍一种基于CNN-LSTM网络的回归预测模型。

以下是数据集中各列的描述（包括功能名称的含义）：

MonsoonIntensity（季风强度）：这一特征可能衡量该地区季风降雨的强度和频率，较高的值表示降雨强度更大，可能更频繁，这可能会导致更高的洪水风险。

TopographyDrainage（地形排水）：反映地形的自然排水能力。更好的排水能力（可能由更高的分数表示）可能表明，由于人口稠密或关键地区的水流更好，洪水风险更低。

RiverManagement（河流管理）：评估河流在防洪方面的管理情况，包括河岸、大坝和其他基础设施的维护。更高的分数可能意味着更好的管理，有可能降低洪水风险。

Deforestation（森林砍伐）：衡量影响土壤稳定性和吸水性的森林砍伐率或程度。更高的森林砍伐分数可能表明森林覆盖的损失更大，更容易受到洪水的影响。

Urbanization（城市化）：表示城市发展水平，由于不透水表面的增加，通常会降低土地吸收降雨的自然能力。城市化程度的提高可能与洪水风险的增加有关。

ClimateChange（气候变化）：　评估气候变化的影响，如降雨量增加或海平面上升，这可能会加剧洪水。得分越高可能表示更容易受到这些变化的影响。

DamsQuality（水坝质量）：　研究大坝在防洪中的状况和有效性。大坝质量差或维护不善可能导致更高的洪水风险。

Siltation（淤积）：　测量水体中淤泥堆积的程度，这会降低其管理水流的能力，增加洪水风险。

AgriculturalPractices （农业实践）：　评估农业活动对洪水风险的影响，考虑灌溉方法和土地使用等可能影响径流和土壤侵蚀的因素。

Encroachments（侵扰）：　对人类入侵洪水易发地区的程度进行评分，这可能会加剧洪水的严重性。

IneffectiveDisasterPreparedness（无效的灾难准备）：　反映了备灾计划及其实施的不足。得分越高可能表明准备工作越差，潜在的破坏和洪水恢复时间越长。

DrainageSystems（排水系统）：　评估城市和农村地区排水系统处理强降雨和水流的效率和容量。

CoastalVulnerability（海岸脆弱性）：　评估沿海地区因风暴潮、海平面上升和气旋活动等因素而发生洪水的风险。

Landslides（滑坡）：　表示山体滑坡的风险和历史，当这些天然大坝决堤时，山体滑坡会堵塞河流，并在下游造成突发洪水。

Watersheds（流域）：　评估流域的健康和管理，流域在管理水资源和减轻洪水风险方面发挥着关键作用。

DeterioratingInfrastructure（不断恶化的基础设施）：　查看与洪水管理相关的基础设施的总体状况，如下水道、桥梁和道路。恶化会阻碍有效的洪水应对。

PopulationScore（人口得分）：　测量洪水易发地区的人口密度或增长，这可能会影响洪水对人类社区的影响。

WetlandLoss（湿地流失）：　量化湿地的减少，湿地通过吸收洪水起到天然缓冲作用。

InadequatePlanning（计划不足）：　评估区域和城市规划在多大程度上整合了洪水风险管理，包括分区和土地利用政策。

PoliticalFactors（政治因素）：　考虑政治决策、治理和政策实施如何影响洪水管理实践。

FloodProbability（洪水概率）：　该结果变量基于上述因素预测洪水的可能性，可能表示为0到1之间的概率。

1 数据预处理

2 基于CNN-LSTM的回归预测模型

2.1 定义CNN-LSTM网络模型

2.2 设置参数，训练模型

50个epoch，MSE 极小，CNN-LSTM回归预测模型预测效果显著，模型能够充分提取数据特征，收敛速度快，性能优越，预测精度高，适当调整模型参数，还可以进一步提高模型预测表现。

注意调整参数：

• 可以适当增加CNN层数和每层通道数，微调学习率；

• 调整LSTM层数和每层神经元个数，增加更多的 epoch （注意防止过拟合）

• 可以改变滑动窗口长度（设置合适的窗口长度）

3 结果可视化和预测、模型评估

3.1 预测结果可视化

3.2 模型评估

4 代码、数据整理如下：