这是我的第349篇原创文章。

一、引言

构建一个包含 TCN（时序卷积网络）、Bi-LSTM（双向长短期记忆网络）和 Attention（注意力机制）的模型，通常用于处理复杂的时间序列预测任务。以下是一个完整的代码示例，演示如何实现这个模型进行单变量时间序列预测。

二、实现过程

2.1 读取数据集

# 读取数据集
data = pd.read_csv('data.csv')
# 将日期列转换为日期时间类型
data['Month'] = pd.to_datetime(data['Month'])
# 将日期列设置为索引
data.set_index('Month', inplace=True)

data：

2.2 划分数据集

# 拆分数据集为训练集和测试集
train_size = int(len(data) * 0.8)
train_data = data[:train_size]
test_data = data[train_size:]


# 绘制训练集和测试集的折线图
plt.figure(figsize=(10, 6))
plt.plot(train_data, label='Training Data')
plt.plot(test_data, label='Testing Data')
plt.xlabel('Year')
plt.ylabel('Passenger Count')
plt.title('International Airline Passengers - Training and Testing Data')
plt.legend()
plt.show()

共144条数据，8:2划分：训练集115，测试集29。

训练集和测试集：

2.3 归一化

# 将数据归一化到 0~1 范围
scaler = MinMaxScaler()
train_data_scaler = scaler.fit_transform(train_data.values.reshape(-1, 1))
test_data_scaler = scaler.transform(test_data.values.reshape(-1, 1))

2.4 构造数据集

# 定义滑动窗口函数
def create_dataset(data, look_back=1):
    pass


# 定义滑动窗口大小
window_size = 2
# 创建滑动窗口数据集
X_train, Y_train = create_dataset(train_data_scaler, window_size)
X_test, Y_test = create_dataset(test_data_scaler, window_size)

2.5 建立模拟合模型进行预测

# TCN-Bi-LSTM-Attention
inputs=Input(shape=(window_size, fea_num))
model=TCN(...)(inputs)
model=Bidirectional(LSTM(...))(model)
# attention = Attention()([my_model, my_model])
# attention = attention_3d_block(my_model)
attention = attention_block(model, window_size)
attention = Flatten()(attention)
outputs = Dense(1, activation='tanh')(attention)
model = Model(inputs=inputs, outputs=outputs)
model.compile(loss='mean_squared_error', optimizer='adam')
model.fit(X_train, Y_train, epochs=50, batch_size=1, verbose=2)


# 使用模型进行预测
train_predictions = model.predict(X_train)
test_predictions = model.predict(X_test)

test_predictions：

2.6 预测效果展示

# 绘制测试集预测结果的折线图
plt.figure(figsize=(10, 6))
plt.plot(test_data, label='Actual')
plt.plot(list(test_data.index)[-len(test_predictions):], test_predictions, label='Predicted')
plt.xlabel('Month')
plt.ylabel('Passengers')
plt.title('Actual vs Predicted')
plt.legend()
plt.show()

测试集真实值与预测值：

# 绘制原始数据、训练集预测结果和测试集预测结果的折线图
plt.figure(figsize=(10, 6))
plt.plot(data, label='Actual')
plt.plot(list(train_data.index)[look_back:train_size], train_predictions, label='Training Predictions')
plt.plot(list(test_data.index)[-(len(test_data)-look_back):], test_predictions, label='Testing Predictions')
plt.xlabel('Year')
plt.ylabel('Passenger Count')
plt.title('International Airline Passengers - Actual vs Predicted')
plt.legend()
plt.show()

原始数据、训练集预测结果和测试集预测结果：

作者简介： 读研期间发表6篇SCI数据算法相关论文，目前在某研究院从事数据算法相关研究工作，结合自身科研实践经历持续分享关于Python、数据分析、特征工程、机器学习、深度学习、人工智能系列基础知识与案例。关注gzh：数据杂坛，获取数据和源码学习更多内容。

原文链接：

【Python时序预测系列】基于TCN-Bi-LSTM-Attention实现单变量时间序列预测（案例+源码）