基于时间序列预测的组合模型，CNN-LSTM-Attention、CNN-GRU-Attention的深度学习神经网络的多特征用电负荷预测。 关于模型算法预测值和真实值对比效果如下图所示，同时利用R2、MAPE、RMSE等评价指标进行模型性能评价。 关于数据：利用的是30分钟一采样的电力负荷单特征数据，其中还包含对应的其他影响特征如温度、湿度、电价、等影响影响因素；具体如图详情图中所示。 个人编码习惯很好，基本做到逐行逐句进行注释；项目的文件截图具体如图详情所示。
最近在折腾一个多特征用电负荷预测的项目，手头有30分钟粒度的电力数据，除了负荷值还带着温度、湿度、电价这些变量。咱们这次要试试两个混合模型：CNN-LSTM-Attention和CNN-GRU-Attention，看看它们能不能把用电负荷的波动给拿捏住。
先看数据长啥样。原始数据csv里每行记录长这样：
timestamp,load,temp,humidity,price 2023-07-01 00:00:00, 235.6, 28.3, 65%, 0.43 2023-07-01 00:30:00, 228.4, 27.9, 67%, 0.41 ...处理时序数据最烦人的就是时间窗设置。这里用滑动窗口把连续时间步打包成样本，比如用过去6小时（12个时间点）预测未来1小时（2个时间点）：
def create_dataset(data, look_back=12, pred_step=2): X, y = [], [] for i in range(len(data)-look_back-pred_step): X.append(data[i:(i+look_back)]) y.append(data[i+look_back:i+look_back+pred_step, 0]) # 只取负荷值作为标签 return np.array(X), np.array(y)注意这里y只取负荷值，其他特征只在输入时使用。归一化用的是MinMaxScaler，但不同列要分开处理，毕竟温度和电价单位差太多。
模型结构是重头戏。以CNN-GRU-Attention为例，Keras里这么搭：
def build_model(input_shape): inputs = Input(shape=input_shape) # 先用CNN抓局部特征 conv = Conv1D(64, 3, activation='relu', padding='same')(inputs) conv = Dropout(0.2)(conv) # GRU处理时序依赖 gru = GRU(128, return_sequences=True)(conv) gru = GRU(64, return_sequences=False)(gru) # 注意力给关键时间点加权重 attention = Dense(64, activation='tanh')(gru) attention = Attention()([attention, attention]) outputs = Dense(2)(attention) # 预测未来两个时间点 model = Model(inputs=inputs, outputs=outputs) model.compile(optimizer='adam', loss='mse') return model这里有个细节，Conv1D的padding设成'same'是为了保持时间步长度，不然经过卷积后时间维度会缩减。Attention层这里用了自定义实现，主要计算各时间步的注意力分数：
class Attention(Layer): def __init__(self, **kwargs): super(Attention, self).__init__(**kwargs) def build(self, input_shape): self.W = self.add_weight(name='attention_weight', shape=(input_shape[-1], 1), initializer='random_normal') super(Attention, self).build(input_shape) def call(self, x): # 计算注意力得分 e = K.tanh(K.dot(x, self.W)) a = K.softmax(e, axis=1) output = x * a return K.sum(output, axis=1)训练时发现个坑——直接拿全部特征训练容易过拟合。后来改成在CNN之后加了特征dropout，让模型别太依赖某个特定特征，MAPE从8.7%降到了6.3%。
评估指标这块，除了常见的RMSE，还用了MAPE看百分比误差。R²指标用sklearn的r2_score计算时要注意，多步预测需要把输出展开：
y_pred = model.predict(X_test) # 把预测的2步和真实的2步展开计算 r2 = r2_score(y_test.reshape(-1), y_pred.reshape(-1))最终两个模型的效果对比：
- CNN-LSTM-Attention：RMSE 23.4，MAPE 5.8%
- CNN-GRU-Attention：RMSE 21.7，MAPE 5.2%
GRU版本稍好可能因为数据量不算特别大，GRU参数少反而更容易收敛。不过实际部署时发现，在电价波动剧烈的时段，LSTM版本更稳定，可能需要融合两个模型的结果。
