基于二维卷积网络（2DCNN）多特征输入的风速预测项目实战（pytorch）（多特征）

 一、项目简介

本项目实现了基于二维卷积网络的多特征输入的的风速预测（使用了数据集中的8个特征作为输入），其效果明显比本人之前文章所做的一维多特征效果好。

二、二维卷积网络的优势

我们都知道二维卷积用于图片数据的处理具有非常大的优势，相比于一维卷积，二维卷积可以提取更复杂的特征，比如在风速预测项目中，一维卷积只能提取其时序特征，但是二维卷积可以同时考虑时间和空间维度上的特征，所提取的特征具有良好的时空相关性，其中空间维度特征指的是不同特征之间的相对位置关系。对于多通道数据，比如风速预测中的多特征数据，二维卷积可以同时处理不同通道的特征信息，每个通道可以被看作是输入数据的一个特征维度，二维卷积网络可以同时对多个通道进行卷积操作，从而更好地捕捉不同通道之间特征的关系。

三、实验数据

1、实验使用了风速预测数据集wind_dataset.csv中"WIND"，"IND"，"RAIN"，"IND.1"，"T.MAX"，"IND.2"，"T.MIN","T.MIN.G"的这八个特征进行风速预测。滑窗的步长为20，即前20天的8个特征（每份共8×20个数据）来预测第21天的风速。【数据集中的【NA】空值被置为0。】

2、图中红色框核箭头是卷积的示意图，红色框是本项目使用的卷积核大小为3×3，箭头是卷积的方向，步长默认为1，padding为1。

四、实验环境

平台：window11

语言：python3.9

编译器：Pycharm

Pytorch:1.13.1

网络运行过程

模型代码如下，该模型加入了Dropout层用于防止过拟合，但是最后的结果还是有些过拟合，但是不影响模型效果。【本人尝试了去掉dropout层似乎效果更好，有兴趣的同学可以去掉跑一下看看】。模型使用了三层卷积和两个全连接层，模型流程如图所示：

该模型的计算过程和参数如下所示： 

 其他数据集划分等代码可以参考之前写的一篇文章（1DCNN单特征风速预测），基础代码都大同小异，在输入特征维度上有所改变。

五、项目运行环境

window11+python3.9+pytorch1.31.1

 六、项目文件及运行说明

train.py 里面是训练过程的通用代码，其他项目也可以在它的基础上修改
Config.py 里面是项目所需要用到的参数
DataSplit.py 实现数据划分的函数
model_2DCNN.py 训练的模型配置
wind_dataset.csv 风速预测的数据集
test_wind_2DCNN.py 运行文件，配置好训练的参数，进行训练并在里面绘图
loss.csv训练过程产生的损失
loss_draw.py 根据训练输出的loss.csv文件绘制loss损失
cnn.pth 是训练过程中生成的模型参数，可用于做测试数据的预测
test_pth.py 根据生成的cnn.pth模型参数对测试数据进行预测

*.png文件是预测结果可视化

七、部分模型代码展示

八、预测效果展示

代码实现功能，实现风速预测、独立保存loss参数、独立绘制loss曲线、风速测试集独立预测等功能，详细操作见上述文件说明。以下是模型的训练过程和效果展示。

以下是加入了dropout层的效果：

1、训练epoch=100产生的loss参数储存到loss_csv文件中

2、训练epoch=100的loss曲线：

 3、训练epoch=100的训练集风速预测曲线（前两百个数据点）：

4、  训练epoch=100的测试集风速预测曲线（前两百个数据点）：

以下是没有加入dropout层的效果：

1、训练epoch=100的loss曲线：

  2、训练epoch=100的训练集风速预测曲线（前两百个数据点）：

 3、训练epoch=100的测试集风速预测曲线（前两百个数据点）：

九、总结与资源

若有朋友需要源码，可以关zhu【科研小条】gong众号，回复【多特征二维卷积风速预测】，即可获得。