一、项目简介
在上一个使用一维卷积CNN进行风速预测的项目基础上，本项目基于Pytorch使用LSTM和多头Attention实现时间序列（风速）的预测，只使用风速一个特征来预测风速，适用于初学预测的小伙伴。项目参考了多个网络上的代码以及借助了chatgpt的灵感，对整个项目分解到各个py文件中形成一个完整项目的基本框架，其他类似项目可以用这个框架进行修改，增加了loss计算和相应的绘图模块，还增加了对pth文件的使用实现测试数据的预测。
二、数据集
采用的是wind_dataset.csv，数据集时间、风速、降雨量等等参数，本项目只采用风速特征来预测未来一天的风速，即WIND这一列。数据展示如下
三、我的实验环境
平台：window11 语言：python3.9 编译器：Pycharm Pytorch:1.13.1+cu116
四、实验内容及文件说明
1、model.py
model.py定义了项目的网络模型，本项目用到的模型是LSTM和torch中的MultiheadAttention，两者结合形成预测网络，使用relu激活，全连接层输出预测结果。
2、Config.py 参数合集
Config.py文件定义了项目所需要用到的所有参数，把这些参数统一整合到一个文件中，实现参数的统一管理。
3、train.py 训练过程的通用代码
train.py是项目训练过程的通用代码，其他项目也可以在它的基础上修改后使用。
4、DataSplit.py 数据划分
DataSplit.py 是实现数据划分的函数，通过滑动窗口，将每个timestep大小的数据作为训练数据，将其后面一个数据作为预测结果，再进行划分训练数据和标签，最后分成训练集和验证集
5、test_wind_run.py 运行的训练文件
该py文件实现整体训练流程并做绘图操作。依次实现加载数据、数据标准化、取出WIND数据、划分训练集测试集、数据转化为Tensor、形成数据更迭器、载入模型、定义损失、定义优化器、开始训练、损失可视化、显示预测结果。
6、test_pth.py 训练文件
载入训练好的pth模型参数进行数据预测。
7、loss_draw.py 训练文件
利用训练过程储存的loss.csv数据进行loss绘图
五、实验结果
以下实验结果展示的是epochs=200的训练过程，训练完成后输出损失对比如图所示。有一段是断崖式下跌，我百度了一下，其中有一个解释是学习率调整突破了局部最优
选取部分数据进行预测展示，其中蓝色是预测的数据，红色的实际的，感觉预测效果和一维卷积CNN差不多，可能是一些参数没有调好。第一张图是训练数据的预测效果，第二张图是测试集的训练效果。可以看出来，一些极端值的预测效果不太好。
