怎样做网站推广点击进入官方网站
往期精彩内容：
时序预测：LSTM、ARIMA、Holt-Winters、SARIMA模型的分析与比较
全是干货 | 数据集、学习资料、建模资源分享！
EMD、EEMD、FEEMD、CEEMD、CEEMDAN的区别、原理和Python实现（一）EMD-CSDN博客
EMD、EEMD、FEEMD、CEEMD、CEEMDAN的区别、原理和Python实现（二）EEMD
EMD、EEMD、FEEMD、CEEMD、CEEMDAN的区别、原理和Python实现（三）FEEMD-CSDN博客
EMD、EEMD、FEEMD、CEEMD、CEEMDAN的区别、原理和Python实现（四）CEEMD-CSDN博客
EMD变体分解效果最好算法——CEEMDAN（五）-CSDN博客
拒绝信息泄露！VMD滚动分解 + Informer-BiLSTM并行预测模型-CSDN博客
风速预测（一）数据集介绍和预处理_风速数据在哪里下载-CSDN博客
风速预测（二）基于Pytorch的EMD-LSTM模型-CSDN博客
风速预测（三）EMD-LSTM-Attention模型-CSDN博客
风速预测（四）基于Pytorch的EMD-Transformer模型-CSDN博客
风速预测（五）基于Pytorch的EMD-CNN-LSTM模型-CSDN博客
风速预测（六）基于Pytorch的EMD-CNN-GRU并行模型-CSDN博客
单步预测-风速预测模型代码全家桶-CSDN博客
CEEMDAN +组合预测模型(BiLSTM-Attention + ARIMA)-CSDN博客
CEEMDAN +组合预测模型(Transformer - BiLSTM + ARIMA)-CSDN博客
CEEMDAN +组合预测模型(CNN-LSTM + ARIMA)-CSDN博客
CEEMDAN +组合预测模型(CNN-Transformer + ARIMA)-CSDN博客
多特征变量序列预测(一)——CNN-LSTM风速预测模型-CSDN博客
多特征变量序列预测(二)——CNN-LSTM-Attention风速预测模型-CSDN博客
多特征变量序列预测(三)——CNN-Transformer风速预测模型-CSDN博客
前言
本文基于前期介绍的风速数据（文末附数据集），介绍一种多特征变量序列预测模型Transformer + BiLSTM，以提高时间序列数据的预测性能。该数据集一共有天气、温度、湿度、气压、风速等九个变量，通过滑动窗口制作数据集，利用多变量来预测风速。
风速数据集的详细介绍可以参考下文：
风速预测（一）数据集介绍和预处理_垂直风速气象数据源-CSDN博客
1 多特征变量数据集制作与预处理
1.1 导入数据
1.2 数据集制作与预处理
先划分数据集，按照9：1划分训练集和测试集
制作数据集
2 基于Pytorch的Transformer + BiLSTM 预测模型
2.1 定义Transformer + BiLSTM预测模型
注意：输入风速数据形状为 [256, 7, 8]， batch_size=256，7代表序列长度（滑动窗口取值）, 维度8维代表挑选的8个变量。
2.2 设置参数，训练模型
50个epoch，MSE 为0.00084517，多变量特征Transformer-BiLSTM预测效果良好，适当调整模型参数，还可以进一步提高模型预测表现。
注意调整参数：
-
可以适当增加Transformer层数和隐藏层的维度，微调学习率；
-
调整BiLSTM层数和维度数，增加更多的 epoch （注意防止过拟合）
-
可以改变滑动窗口长度（设置合适的窗口长度）
3 模型评估与可视化
3.1 结果可视化
3.2 模型评估
4 代码、数据整理如下：
