基于RandomForest预测模型
特色：1、单变量，多变量输入，自由切换
2、单步预测，多步预测，自动切换
3、基于Pytorch架构
4、多个评估指标（MAE,MSE,R2,MAPE等）
5、数据从excel文件中读取，更换简单
6、标准框架，数据分为训练集、验证集，测试集
全部完整的代码，保证可以运行的代码看这里。
http://t.csdn.cn/obJlC
http://t.csdn.cn/obJlC
！！！如果第一个链接打不开，请点击个人首页，查看我的个人介绍。
（搜索到的产品后，点头像，就能看到全部代码）
黑科技小土豆的博客_CSDN博客-深度学习,32单片机领域博主
Random Forest 模型是一种基于集成学习的决策树算法。与传统的决策树算法不同，它不是通过一个单一的决策树来划分数据集，而是通过集成多个决策树来进行分类或回归，最终结果选择分类或回归的众数或平均数。随机森林在解决分类和回归问题中表现出色，具有很高的准确度和稳定的性能。
随机森林的优点包括：
- 随机森林采用多个决策树对数据进行集成，能够更准确地分类和回归，并且具有很高的鲁棒性。
- 随机森林能够自动处理不良特征（例如缺失值、异常值），不需要进行特征规范化或特征缩放。
除此之外，随机森林还很好地处理了过拟合的问题。随机森林的多样性来自于数据的随机性（通过随机选择待选特征和训练样本）和模型的随机性（通过随机的决策树的生长过程）。
因此，随机森林模型是一种适用于分类和回归问题的强有力模型，在金融、医疗、电商等领域应用广泛。
train_ratio = 0.7 # 训练集比例
val_ratio = 0.15 # 验证集比例
test_ratio = 0.15 # 测试集比例
input_length = 48 # 输入数据长度，多步预测建议长，单步预测建议短
output_length = 1 # 输出数据长度，1为单步预测，1以上为多步预测 请注意，随着输出长度的增长，模型训练时间呈指数级增长
learning_rate = 0.1 # 学习率
estimators = 100 # 迭代次数
max_depth = 5 # 树模型的最大深度
interval_length = 2000 # 预测数据长度，最长不可以超过总数据条数
scalar = True # 是否使用归一化
scalar_contain_labels = True # 归一化过程是否包含目标值的历史数据
target_value = 'load' # 需要预测的列名，可以在excel中查看