这是一个浪潮，山大齐鲁交通学院，山大计算机学院的交叉项目，背景为隧道开发过程中测量前方的地质情况，在隧道两侧分别放置六个探测器，敲击隧道墙壁，探测器接收声波，每个探测器敲击一次收到一个5120x36的时序数据SAP文件（5120为时间戳数目，36为特征数目），每天敲击3次，共得到3x6x2=36个文件，为一个大文件夹。20天有20个文件夹。每个SAP文件有5120时间戳x36特征，每个SAP文件对应一个关于地质等级的分类标签（目前5类）。
数据处理：
利用process_data.py文件遍历sap文件夹，（1）把文件转换成csv格式，（2）过滤掉时间戳数目不等于5120的文件，（3）删除掉一些无用的列（NAN值列），（4）给每个文件夹生成一个label.csv文件，36行分为代表此文件夹内的36个文件对应的分类标签（目前是一个文件夹内36个文件的标签是一样的，但随着项目的进一步深入，可能会出现一些复杂的情况;）
提供的数据说明：
SAP形式的原数据给出了两个样本；【不全，了解原数据什么样子就好】
data20文件夹里是process_data.py之后的csv；
data20.csv 和label20.csv是拼接之后得到的；
在mlp,lstm,transformer等主代码文件的main函数读取数据时，会遍历读取文件夹内的csv文件，并将所有数据拼接到一个csv中，如data20.csv。
main中有时会用EACH_SAP_LEN截取5120个时间戳的前EACH_SAP_LEN个，因为可视化时间序列后可以看到后面一段数据通常比较平稳，具体要不要截取，要等以后有了更好的数据再去尝试；
关于代码：
均包括train.py EarlyStopping.py ，需要自己创建loss,pretrained文件夹保存结果和模型
运行以下模型：【自己在main里面改一下数据的路径】
python MLP.py --- 5120x36->1x5
python mlp_win.py --- 划分了滑动窗口，比如每100个时间戳长度的序列判断一次标签；
python lstm20.py --- 划分了滑动窗口
python attention.py
python transformer.py
python BILSTM_seq2seq.py
关于结果：
由于现阶段收集的数据比较脏，分类效果并不好，所以要等他们收集要更有效的数据之后再行尝试；
现在的进度是跑通了模型；
时序预测，时间序列分类，深度学习算法
需积分: 0 46 浏览量
2023-05-28
23:21:10
上传
评论
收藏 177KB ZIP 举报
时序预测，时间序列分类，深度学习算法 （100个子文件） 
BILSTM_seq2seq.py 22KB transformer.py 21KB attention.py 20KB mlp_win.py 18KB lstm20.py 17KB MLP.py 14KB process_data.py 10KB process_data.py 10KB process_data.py 10KB model.py 7KB model.py 7KB train.py 6KB train.py 6KB train.py 6KB train.py 6KB attn.py 6KB attn.py 6KB timefeatures.py 5KB timefeatures.py 5KB encoder.py 4KB encoder.py 4KB tools.py 3KB tools.py 3KB embed.py 2KB embed.py 2KB decoder.py 2KB decoder.py 2KB EarlyStopping.py 2KB EarlyStopping.py 2KB EarlyStopping.py 2KB EarlyStopping.py 2KB masking.py 851B masking.py 851B metrics.py 826B metrics.py 826B __init__.py 0B __init__.py 0B __init__.py 0B __init__.py 0B timefeatures.cpython-37.pyc 8KB timefeatures.cpython-37.pyc 8KB timefeatures.cpython-38.pyc 7KB timefeatures.cpython-38.pyc 7KB attn.cpython-38.pyc 5KB attn.cpython-38.pyc 5KB attn.cpython-39.pyc 5KB attn.cpython-39.pyc 5KB embed.cpython-38.pyc 5KB embed.cpython-38.pyc 5KB attn.cpython-37.pyc 5KB attn.cpython-37.pyc 5KB model.cpython-37.pyc 5KB model.cpython-37.pyc 5KB model.cpython-38.pyc 5KB model.cpython-38.pyc 5KB encoder.cpython-37.pyc 4KB encoder.cpython-37.pyc 4KB encoder.cpython-39.pyc 4KB encoder.cpython-39.pyc 4KB encoder.cpython-38.pyc 3KB encoder.cpython-38.pyc 3KB tools.cpython-38.pyc 3KB tools.cpython-38.pyc 3KB tools.cpython-37.pyc 3KB tools.cpython-37.pyc 3KB embed.cpython-39.pyc 3KB embed.cpython-39.pyc 3KB embed.cpython-37.pyc 3KB embed.cpython-37.pyc 3KB decoder.cpython-39.pyc 2KB decoder.cpython-39.pyc 2KB decoder.cpython-37.pyc 2KB decoder.cpython-37.pyc 2KB decoder.cpython-38.pyc 2KB decoder.cpython-38.pyc 2KB masking.cpython-39.pyc 1KB masking.cpython-39.pyc 1KB metrics.cpython-37.pyc 1KB metrics.cpython-37.pyc 1KB masking.cpython-37.pyc 1KB masking.cpython-37.pyc 1KB metrics.cpython-38.pyc 1KB metrics.cpython-38.pyc 1KB masking.cpython-38.pyc 1KB masking.cpython-38.pyc 1KB __init__.cpython-39.pyc 197B __init__.cpython-39.pyc 197B __init__.cpython-39.pyc 196B __init__.cpython-39.pyc 196B __init__.cpython-37.pyc 166B __init__.cpython-37.pyc 166B __init__.cpython-37.pyc 165B __init__.cpython-37.pyc 165B __init__.cpython-38.pyc 145B __init__.cpython-38.pyc 145B __init__.cpython-38.pyc 144B __init__.cpython-38.pyc 144B
read_me.txt 3KB read_me.txt 3KB readme.txt 2KB共 100 条
- 1
资源评论
