Κοινή χρήση τεχνολογίας

한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina

Πρόβλεψη Transformer-LSTM |. Το Matlab υλοποιεί το Transformer-LSTMΠρόβλεψη πολυμεταβλητών χρονοσειρών

Λίστα εφέ

βασική εισαγωγή

1. Το Matlab εφαρμόζει την πρόβλεψη πολλαπλών μεταβλητών χρονοσειρών Transformer-LSTM, το Transformer συνδυάζει τη μακροπρόθεσμη βραχυπρόθεσμη μνήμη LSTMΝευρωνικά δίκτυαΠρόβλεψη πολυμεταβλητών χρονοσειρών.

2. Το περιβάλλον λειτουργίας είναι Matlab2023b και άνω.

3.δεδομένα είναισύνολο δεδομένων, εισαγωγή πολλαπλών χαρακτηριστικών, έξοδος μιας μεταβλητής, λάβετε υπόψη την επιρροή των ιστορικών χαρακτηριστικών, πρόβλεψη χρονοσειρών πολλαπλών μεταβλητών, το main.m είναι το κύριο πρόγραμμα, απλώς εκτελέστε το, όλα τα αρχεία τοποθετούνται σε έναν φάκελο.

4. Το παράθυρο εντολών εξάγει πολλαπλές αξιολογήσεις ευρετηρίου όπως R2, MSE, RMSE, MAE, MAPE και MBE.

προγραμματισμός

• Πλήρες πρόγραμμα και λήψη δεδομένων Απάντηση blogger σε ιδιωτικό μήνυμαΗ Matlab εφαρμόζει πρόβλεψη χρονοσειρών πολλαπλών μεταβλητών Transformer-LSTM。

%%  清空环境变量
warning off             % 关闭报警信息
close all               % 关闭开启的图窗
clear                   % 清空变量
clc                     % 清空命令行

%%  导入数据
result = xlsread('data.xlsx');

%%  数据分析
num_samples = length(result);  % 样本个数
or_dim = size(result, 2);      % 原始特征+输出数目
kim =  2;                      % 延时步长（kim个历史数据作为自变量）
zim =  1;                      % 跨zim个时间点进行预测



%%  数据集分析
outdim = 1;                                  % 最后一列为输出
num_size = 0.7;                              % 训练集占数据集比例
num_train_s = round(num_size * num_samples); % 训练集样本个数
f_ = size(res, 2) - outdim;                  % 输入特征维度


%%  划分训练集和测试集
P_train = res(1: num_train_s, 1: f_)';
T_train = res(1: num_train_s, f_ + 1: end)';
M = size(P_train, 2);

P_test = res(num_train_s + 1: end, 1: f_)';
T_test = res(num_train_s + 1: end, f_ + 1: end)';
N = size(P_test, 2);

%%  数据归一化
[P_train, ps_input] = mapminmax(P_train, 0, 1);
P_test = mapminmax('apply', P_test, ps_input);

[t_train, ps_output] = mapminmax(T_train, 0, 1);
t_test = mapminmax('apply', T_test, ps_output);

%%  数据平铺
P_train =  double(reshape(P_train, f_, 1, 1, M));
P_test  =  double(reshape(P_test , f_, 1, 1, N));

t_train = t_train';
t_test  = t_test' ;

%%  数据格式转换
for i = 1 : M
    p_train{i, 1} = P_train(:, :, 1, i);
end

for i = 1 : N
    p_test{i, 1}  = P_test( :, :, 1, i);
end


1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59

βιβλιογραφικές αναφορές

[1] https://blog.csdn.net/kjm13182345320/article/details/128163536?spm=1001.2014.3001.5502
[2] https://blog.csdn.net/kjm13182345320/article/details/128151206?spm=1001.2014.3001.5502