时序预测 | 改进图卷积+informer时间序列预测，pytorch架构

时序预测 | 改进图卷积+informer时间序列预测，pytorch架构

预测效果

基本介绍

改进图卷积+informer时间序列预测代码
CTR-GC卷积,informer，CTR-GC
图卷积 GCN 中，图拓扑在特征聚合中占主导地位，提取代表性特征的关键。因此提出了一种改进GCN的新方法，叫通道拓扑细化图卷积 （CTR-GC），以动态学习不同的拓扑结构，并有效地聚合不同通道中的特征。
本代码尝试将它转移用到时间序列中，创新思维的三维转二维，利用部分卷积进行特征提取，将提取的结果放入informer进行预测，预测还不错，同时证实了引入图卷积的可行性。
python代码
pytorch架构
适合功率预测，风电光伏预测，负荷预测，流量预测，浓度预测，机械领域预测等等各种时间序列直接预测。验证模型，划分测试集训练集。
1.多变量输入，单变量输出
2.多时间步预测，单时间步预测
3.R方,MAE，MSE MAPE对比图，误差图（缺少的可自行添加）
4.将结果保存下来供后续处理
5.代码自带数据，一键运行，csv，xlsx文件读取数据，也可以替换自己数据集很简单。

• 完整源码私信博主回复改进图卷积+informer时间序列预测，pytorch架构

参考资料

[1] https://blog.csdn.net/kjm13182345320/article/details/128577926?spm=1001.2014.3001.5501
[2] https://blog.csdn.net/kjm13182345320/article/details/128573597?spm=1001.2014.3001.5501