Predicción Transformer-LSTM | Matlab implementa la predicción de series temporales multivariables Transformer-LSTM

2024-07-12

Predicción Transformer-LSTM | Matlab implementa Transformer-LSTMPrevisión de series temporales multivariadas

Tabla de contenido

- Predicción Transformer-LSTM | Matlab implementa la predicción de series temporales multivariables Transformer-LSTM

Lista de efectos

Insertar descripción de la imagen aquí

introducción básica

1.Matlab implementa la predicción de series de tiempo multivariables Transformer-LSTM, Transformer combina la memoria a corto plazo y largo de LSTMRedes neuronalesPrevisión de series temporales multivariadas;

2. El entorno operativo es Matlab2023b y superior;

3.los datos sonconjunto de datos, ingrese múltiples características, genere una sola variable, considere la influencia de las características históricas, predicción de series de tiempo de múltiples variables, main.m es el programa principal, simplemente ejecútelo, todos los archivos se colocan en una carpeta;

4. La ventana de comando genera múltiples evaluaciones de índice, como R2, MSE, RMSE, MAE, MAPE y MBE;

Insertar descripción de la imagen aquí

programación

Descarga completa del programa y datos mensaje privado respuesta del bloggerMatlab implementa la predicción de series de tiempo multivariables 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

Referencias

[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

Compartir tecnología