这是我的第248篇原创文章。

一、引言

TCN（Temporal Convolutional Networks）是一种用于时间序列数据建模的深度学习架构。与传统的循环神经网络（RNN）和长短期记忆网络（LSTM）不同，TCN利用卷积操作来捕捉时间序列数据中的长期依赖关系。以下是TCN的一些关键特点：

1. 平移不变性：TCN利用卷积操作来学习时间序列数据中的模式和特征，这使得模型具有平移不变性，即模型可以在不同时间步共享相同的权重，从而更好地捕捉时间序列中的重要模式。

2. 扩展感受野：通过堆叠多个卷积层，TCN可以捕获较长的时间依赖关系，而不会受到梯度消失或梯度爆炸的影响。

3. 并行性：相比于RNN和LSTM，TCN可以更高效地并行处理时间序列数据，这使得训练速度更快。

4. 稳定性：由于TCN不涉及循环结构，因此不存在梯度消失或梯度爆炸的问题，模型更加稳定。

TCN已被广泛用于时间序列预测、自然语言处理中的序列建模等领域，并在某些任务上取得了很好的效果。通过合理设计网络结构和调整超参数，TCN可以适应不同类型的时间序列数据，并且在一些情况下能够超越传统的RNN和LSTM模型。本文简述一下基于时域卷积网络TCN实现单变量时间序列预测的过程。

二、实现过程

2.1 读取数据集

# 读取数据集
data = pd.read_csv('data.csv')
# 将日期列转换为日期时间类型
data['Month'] = pd.to_datetime(data['Month'])
# 将日期列设置为索引
data.set_index('Month', inplace=True)

data：

2.2 划分数据集

# 拆分数据集为训练集和测试集
train_size = int(len(data) * 0.8)
train_data = data[:train_size]
test_data = data[train_size:]# 绘制训练集和测试集的折线图
plt.figure(figsize=(10, 6))
plt.plot(train_data, label='Training Data')
plt.plot(test_data, label='Testing Data')
plt.xlabel('Year')
plt.ylabel('Passenger Count')
plt.title('International Airline Passengers - Training and Testing Data')
plt.legend()
plt.show()

共144条数据，8:2划分：训练集115，测试集29。

训练集和测试集：

2.3 归一化

# 将数据归一化到 0~1 范围
scaler = MinMaxScaler()
train_data_scaler = scaler.fit_transform(train_data.values.reshape(-1, 1))
test_data_scaler = scaler.transform(test_data.values.reshape(-1, 1))

2.4 构造数据集

# 定义滑动窗口函数
def create_sliding_windows(data, window_size):pass# 定义滑动窗口大小
window_size = 12# 创建滑动窗口数据集
X_train, Y_train = create_sliding_windows(train_data_scaler, window_size)
X_test, Y_test = create_sliding_windows(test_data_scaler, window_size)# 将数据集转换为 LSTM 模型所需的形状（样本数，时间步长，特征数）
X_train = np.reshape(X_train, (X_train.shape[0], window_size, 1))
X_test = np.reshape(X_test, (X_test.shape[0], window_size, 1))

2.5 建立模拟合模型进行预测

# 初始化顺序模型
model = Sequential()
model.add(TCN(...))
# 定义线性的输出层
model.add(...)
# 模型编译：定义优化算法adam， 目标函数均方根MSE
model.compile(optimizer = 'adam', loss = 'mean_squared_error')
# 模型训练
history = model.fit(X_train, Y_train, epochs = 100, batch_size = 100, validation_split=0.001)
# 打印模型
model.summary()# 使用模型进行预测
train_predictions = model.predict(X_train)
test_predictions = model.predict(X_test)# 反归一化预测结果
train_predictions = scaler.inverse_transform(train_predictions)
test_predictions = scaler.inverse_transform(test_predictions)

test_predictions：

2.6 预测效果展示

# 绘制测试集预测结果的折线图
plt.figure(figsize=(10, 6))
plt.plot(test_data, label='Actual')
plt.plot(list(test_data.index)[-len(test_predictions):], test_predictions, label='Predicted')
plt.xlabel('Month')
plt.ylabel('Passengers')
plt.title('Actual vs Predicted')
plt.legend()
plt.show()

测试集真实值与预测值：

# 绘制原始数据、训练集预测结果和测试集预测结果的折线图
plt.figure(figsize=(10, 6))
plt.plot(data, label='Actual')
plt.plot(list(train_data.index)[look_back:train_size], train_predictions, label='Training Predictions')
plt.plot(list(test_data.index)[-(len(test_data)-look_back):], test_predictions, label='Testing Predictions')
plt.xlabel('Year')
plt.ylabel('Passenger Count')
plt.title('International Airline Passengers - Actual vs Predicted')
plt.legend()
plt.show()

原始数据、训练集预测结果和测试集预测结果：

作者简介：

读研期间发表6篇SCI数据挖掘相关论文，现在某研究院从事数据算法相关科研工作，结合自身科研实践经历不定期分享关于Python、机器学习、深度学习、人工智能系列基础知识与应用案例。致力于只做原创，以最简单的方式理解和学习，关注我一起交流成长。需要数据集和源码的小伙伴可以关注底部公众号添加作者微信。