预测效果

代码主要功能

该代码实现了一个结合CNN（卷积神经网络）、LSTM（长短期记忆网络）和KAN（Kolmogorov-Arnold Network）的混合模型，用于时间序列预测任务。主要流程包括：

数据加载：加载预处理的训练/测试集（特征和标签）。
模型构建：
自定义KANLinear层（基于样条函数的非线性激活）
构建CNNLSTMKANModel（CNN提取特征 → LSTM处理序列 → KAN层预测）
模型训练：使用MSE损失和Adam优化器，记录训练/验证损失。
模型评估：加载最佳模型预测测试集，计算R²、MSE、RMSE、MAE指标。
结果可视化：绘制损失曲线和预测效果对比图。
算法步骤
数据准备

使用joblib加载标准化后的训练/测试数据（train_set/test_set等）
封装为PyTorch的DataLoader（批处理大小batch_size=64）
模型定义
KANLinear层：

CNN-LSTM-KAN模型：

CNN模块：多层卷积（Conv1d）+ ReLU + 最大池化
LSTM模块：多层LSTM处理时序特征
KAN输出层：替换传统全连接层做最终预测
用样条基函数（B-splines）替代传统激活函数
实现curve2coeff（样条系数计算）、regularization_loss（正则化）
模型训练

优化器：Adam（学习率0.0003）
损失函数：均方误差（nn.MSELoss）
每epoch记录训练/验证损失，保存最佳模型
评估与可视化

加载最佳模型预测测试集
反归一化预测结果（使用StandardScaler）
计算评估指标（R²、MSE等）并绘制损失曲线
技术路线
数据流
原始数据 → 预处理（标准化）→ DataLoader → 模型输入

模型结构

Input → CNN（特征提取）→ LSTM（时序建模）→ KAN（非线性预测）→ Output
关键创新

KAN层：通过样条插值增强模型表达能力（优于传统ReLU）
混合架构：CNN捕捉局部模式，LSTM学习长期依赖，KAN提供灵活映射
评估方法

使用R²（解释方差）、MSE（均方误差）、RMSE（均方根误差）、MAE（平均绝对误差）
反归一化后对比预测值与真实值

完整代码

• 完整代码订阅专栏获取

运行环境
Python库依赖

torch, joblib, numpy, pandas # 数据处理与模型构建
sklearn.metrics, matplotlib # 评估与可视化
硬件要求

自动检测GPU（优先使用CUDA）：
device = torch.device(“cuda” if torch.cuda.is_available() else “cpu”)
若无GPU则退化为CPU运行
数据预准备

训练/测试集需预先保存为train_set、train_label等文件（通过joblib）
补充说明
KAN的优势：
样条函数提供更高阶非线性拟合能力，适合复杂时间序列模式。
混合架构意义：
CNN提取空间特征 → LSTM捕获时间依赖 → KAN增强预测灵活性。
关键文件：
最佳模型保存为best_model_cnn_lstm_kan.pt
标准化器保存为scaler（用于结果反归一化）
此模型适用于单变量时间序列预测（如风速、股价等），通过混合架构平衡特征提取与序列建模能力，KAN层进一步提升非线性拟合性能。