机器学习算法实战案例：确实可以封神了，时间序列预测算法最全总结！
机器学习算法实战案例：时间序列数据最全的预处理方法总结
机器学习算法实战案例：GRU 实现多变量多步光伏预测
机器学习算法实战案例：LSTM实现单变量滚动风电预测
机器学习算法实战案例：LSTM实现多变量多步负荷预测
机器学习算法实战案例：CNN-LSTM实现多变量多步光伏预测
机器学习算法实战案例：BiLSTM实现多变量多步光伏预测
机器学习算法实战案例：VMD-LSTM实现单变量多步光伏预测
机器学习算法实战案例：VMD-LSTM实现单变量多步光伏预测(升级版)
技术要学会分享、交流，不建议闭门造车。一个人可以走的很快、一堆人可以走的更远。
本文完整代码、相关资料、技术交流&答疑，均可加我们的交流群获取，群友已超过2000人，添加时最好的备注方式为：来源+兴趣方向，方便找到志同道合的朋友。
方式①、微信搜索公众号： Python学习与数据挖掘 ，后台回复：加群
方式②、添加微信号： dkl88194 ，备注：来自CSDN + 技术交流
实验数据集采用数据集4：2016年电工数学建模竞赛负荷预测数据集，数据集包含日期、最高温度℃ 、最低温度℃、平均温度℃ 、相对湿度(平均) 、降雨量（mm）、日需求负荷（KWh），时间间隔为1H。
在使用数据之前相对数据进行处理，用其他数据集时也是同样的处理方法。首先读取数据，发数据不是UTF-8格式，通过添加encoding = 'gbk’读取数据， 模型传入的数据必须是UTF-8格式 。
df= pd.read_table('E:\\课题\\08数据集\\2016年电工数学建模竞赛负荷预测数据集\\2016年电工数学建模竞赛负荷预测数据集.txt',encoding = 'gbk')
然后检查数据是否有缺失值：
df.isnull().sum()
发现数据存在少量缺失值，分析数据特点，可以通过前项或后项填充填补缺失值：
df = df.fillna(method='ffill')
后面需要将表格列名改为英文，时间列名为date ，不然后面运行时会报错：
df.columns = ["date","max_temperature(℃)","Min_temperature(℃ )","Average_temperature(℃)","Relative_humidity(average)","Rainfall(mm)","Load"]
最后将数据按 UTF-8格式保存
load.to_csv('E:\\课题\\08数据集\\2016年电工数学建模竞赛负荷预测数据集\\2016年电工数学建模竞赛负荷预测数据集_处理后.csv', index=False,encoding = 'utf-8')
最后可视化看一下数据：
load.drop(['date'], axis=1, inplace=True)
cols = list(load.columns)
fig = plt.figure(figsize=(16,6))
plt.subplots_adjust(left=None, bottom=None, right=None, top=None, wspace=None, hspace=0.8)
for i in range(len(cols)):
ax = fig.add_subplot(3,2,i+1)
ax.plot(load.iloc[:,i])
ax.set_title(cols[i])
# plt.subplots_adjust(hspace=1)
前面两篇文章介绍了论文的原理、代码解析和官方数据集训练和运行，那么大家在利用模型训练自己的数据集的时候需要修改的几处地方。
parser.add_argument('--data', type=str, default='custom', help='data')
parser.add_argument('--root_path', type=str, default='./data/Load/', help='root path of the data file')
parser.add_argument('--data_path', type=str, default='load.csv', help='data file')
parser.add_argument('--features', type=str, default='MS', help='forecasting task, options:[M, S, MS]; M:multivariate predict multivariate, S:univariate predict univariate, MS:multivariate predict univariate')
parser.add_argument('--target', type=str, default='Load', help='target feature in S or MS task')
parser.add_argument('--freq', type=str, default='h', help='freq for time features encoding, options:[s:secondly, t:minutely, h:hourly, d:daily, b:business days, w:weekly, m:monthly], you can also use more detailed freq like 15min or 3h')
parser.add_argument('--seq_len', type=int, default=96, help='input sequence length of Informer encoder')
parser.add_argument('--label_len', type=int, default=48, help='start token length of Informer decoder')
parser.add_argument('--pred_len', type=int, default=24, help='prediction sequence length')
parser.add_argument('--enc_in', type=int, default=6, help='encoder input size')
parser.add_argument('--dec_in', type=int, default=6, help='decoder input size')
parser.add_argument('--c_out', type=int, default=1, help='output size')
# 字典data_parser中包含了不同数据集的信息，键值为数据集名称（'ETTh1'等），对应一个包含.csv数据文件名
'ETTh1':{'data':'ETTh1.csv','T':'OT','M':[7,7,7],'S':[1,1,1],'MS':[7,7,1]},
'ETTh2':{'data':'ETTh2.csv','T':'OT','M':[7,7,7],'S':[1,1,1],'MS':[7,7,1]},
'ETTm1':{'data':'ETTm1.csv','T':'OT','M':[7,7,7],'S':[1,1,1],'MS':[7,7,1]},
'ETTm2':{'data':'ETTm2.csv','T':'OT','M':[7,7,7],'S':[1,1,1],'MS':[7,7,1]},
'WTH':{'data':'WTH.csv','T':'WetBulbCelsius','M':[12,12,12],'S':[1,1,1],'MS':[12,12,1]},
'ECL':{'data':'ECL.csv','T':'MT_320','M':[321,321,321],'S':[1,1,1],'MS':[321,321,1]},
'Solar':{'data':'solar_AL.csv','T':'POWER_136','M':[137,137,137],'S':[1,1,1],'MS':[137,137,1]},
'Custom':{'data':'load.csv','T':'Load','M':[137,137,137],'S':[1,1,1],'MS':[6,6,1]},
预测结果保存在result文件下，保存格式为numpy，可以通过下面的脚本进行可视化预测结果：
import matplotlib.pyplot as plt
file_path1 = "results/informer_ETTh1_ftM_sl96_ll48_pl24_dm512_nh8_el2_dl1_df2048_atprob_fc5_ebtimeF_dtTrue_mxTrue_test_0/true.npy"
file_path2 = "results/informer_ETTh1_ftM_sl96_ll48_pl24_dm512_nh8_el2_dl1_df2048_atprob_fc5_ebtimeF_dtTrue_mxTrue_test_1/pred.npy"
data1 = np.load(file_path1)
data2 = np.load(file_path2)
true_value.append(data2[0][i][6])
pred_value.append(data1[0][i][6])
df = pd.DataFrame({'real': true_value, 'pred': pred_value})
df.to_csv('results.csv', index=False)
fig = plt.figure(figsize=( 16, 8))
plt.plot(df['real'], marker='o', markersize=8)
plt.plot(df['pred'], marker='o', markersize=8)
plt.tick_params(labelsize = 28)
plt.legend(['real','pred'],fontsize=28)
最后预测的效果如下，发现并不是太好，后续看参数调优后是否能提升模型预测效果。
报错1：UnicodeDecodeError: ‘utf-8’ codec can’t decode bytes in position 56-57: invalid continuation byte，具体来说，‘utf-8’ 编解码器无法解码文件中的某些字节，因为它们不符合 UTF-8 编码的规则。
File "D:\Progeam Files\python\lib\site-packages\pandas\io\parsers\c_parser_wrapper.py", line 93, in __init__
self._reader = parsers.TextReader(src, **kwds)
File "pandas\_libs\parsers.pyx", line 548, in pandas._libs.parsers.TextReader.__cinit__
File "pandas\_libs\parsers.pyx", line 637, in pandas._libs.parsers.TextReader._get_header
File "pandas\_libs\parsers.pyx", line 848, in pandas._libs.parsers.TextReader._tokenize_rows
File "pandas\_libs\parsers.pyx", line 859, in pandas._libs.parsers.TextReader._check_tokenize_status
File "pandas\_libs\parsers.pyx", line 2017, in pandas._libs.parsers.raise_parser_error
UnicodeDecodeError: 'utf-8' codec can't decode bytes in position 56-57: invalid continuation byte
解决办法：
(1) 根据提示，要将数据更改’utf-8’格式，最简便的方法将数据用记事本打开，另存为是通过UTF-8格式保存
(2) 尝试使用其他编解码器（如 ‘latin1’）来读取文件，或者在读取文件时指定正确的编码格式。
**报错2：ValueError: list.remove(x): x not in list，**试从列表中删除两个元素，但是这两个元素中至少有一个不在列表中。
File "E:\课题\07代码\Informer2020-main\Informer2020-main\data\data_loader.py", line 241, in __read_data__
cols = list(df_raw.columns); cols.remove(self.target); cols.remove('date')
ValueError: list.remove(x): x not in list
解决办法：在没有找到具体原因的时候 可以在删除元素之前先检查一下列表中是否包含要删除的元素，或者使用 try-except 语句来捕获异常，以便在元素不存在时不会导致程序中断。通过检查，数据中的列名最好改为英文，避免产生乱码。
cols=self.cols.copy()
cols.remove(self.target)
cols = list(df_raw.columns)
print(cols) # 输出列的内容
if self.target in cols:
cols.remove(self.target)
print(f"{self.target} not in columns")
cols.remove('date')
print("date not in columns")
cols = list(df_raw.columns); cols.remove(self.target); cols.remove('date')
df_raw = df_raw[['date']+cols+[self.target]]