多维时序 | MATLAB实现SABO-CNN-GRU-Attention多变量时间序列预测
预测效果
![image.png image.png](https://ucc.alicdn.com/pic/developer-ecology/6pgonjdfhlps2_0c12bf41a9c94bd1bd3efc48b962f764.png?x-oss-process=image/resize,w_1400/format,webp)
![image.png image.png](https://ucc.alicdn.com/pic/developer-ecology/6pgonjdfhlps2_e0a69f7e469c4ce1b9d3cc13651a77c8.png?x-oss-process=image/resize,w_1400/format,webp)
![image.png image.png](https://ucc.alicdn.com/pic/developer-ecology/6pgonjdfhlps2_c7eb04257fa34e84a462c5b6191b2585.png?x-oss-process=image/resize,w_1400/format,webp)
基本介绍
多维时序 | MATLAB实现BiTCN-BiGRU-Attention多变量时间序列预测。
模型描述
MATLAB实现BiTCN-BiGRU-Attention多变量时间序列预测
1.程序平台:要求Matlab2023版以上;
2.提出BiTCN(Bidirectional Time Convolutional Network)双向时间卷积网络结合双向门控循环单元(BiGRU)融合注意力机制的超前24步多变量时间序列回归预测算法,创新性极高;
3.多变量特征输入,单序列变量输出,输入前一天的特征,实现后一天的预测,超前24步预测。提供MAPE、RMSE、MAE等计算结果展示。
具有以下创新性:
①多模型结合: BiTCN、BiGRU 和 Attention 分别代表了时间序列建模、双向上下文捕捉以及关注重要信息的能力。将它们结合在一起,充分发挥每个模型的优势,可以使模型在不同层次和维度上学习时间序列的特征,从而提高预测性能。
②时间特征捕捉: BiTCN 通过双向时间卷积捕捉时间序列中的时序模式,能够在卷积操作中融合过去和未来信息。BiGRU 则在门控循环单元的基础上引入双向性,有效地捕捉序列中的上下文信息。这两者的结合可以更全面地学习时间序列的时序特征。
③重要信息关注: Attention 机制可以使模型更集中地关注重要的时间步,根据不同时间步的重要性对不同的特征进行加权。这可以帮助模型更好地捕捉序列中的关键信息,提高预测的准确性。
④层次化特征学习: Attention 机制使得模型能够在不同层次上对特征进行加权,即在不同时间步上进行注意力权重的计算。这使得模型能够按需关注全局信息和局部信息,从而更准确地建模序列。
4.适用领域:
风速预测、光伏功率预测、发电功率预测、碳价预测等多种应用。
5.使用便捷:
直接使用EXCEL表格导入数据,无需大幅修改程序。内部有详细注释,易于理解。
程序设计
- 完整程序和数据获取方式1:同等价值程序兑换;
- 完整程序和数据获取方式2:私信博主回复MATLAB实现BiTCN-BiGRU-Attention多变量时间序列预测获取。
gruLayer(32,'OutputMode',"last",'Name','bil4','RecurrentWeightsInitializer','He','InputWeightsInitializer','He')
dropoutLayer(0.25,'Name','drop2')
% 全连接层
fullyConnectedLayer(numResponses,'Name','fc')
regressionLayer('Name','output') ];
layers = layerGraph(layers);
layers = connectLayers(layers,'fold/miniBatchSize','unfold/miniBatchSize');
%-----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------
%% 训练选项
if gpuDeviceCount>0
mydevice = 'gpu';
else
mydevice = 'cpu';
end
options = trainingOptions('adam', ...
'MaxEpochs',MaxEpochs, ...
'MiniBatchSize',MiniBatchSize, ...
'GradientThreshold',1, ...
'InitialLearnRate',learningrate, ...
'LearnRateSchedule','piecewise', ...
'LearnRateDropPeriod',56, ...
'LearnRateDropFactor',0.25, ...
'L2Regularization',1e-3,...
'GradientDecayFactor',0.95,...
'Verbose',false, ...
'Shuffle',"every-epoch",...
'ExecutionEnvironment',mydevice,...
'Plots','training-progress');
%% 模型训练
rng(0);
net = trainNetwork(XrTrain,YrTrain,layers,options);
%-----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------
%% 测试数据预测
% 测试集预测
YPred = predict(net,XrTest,"ExecutionEnvironment",mydevice,"MiniBatchSize",numFeatures);
YPred = YPred';
% 数据反归一化
YPred = sig.*YPred + mu;
YTest = sig.*YTest + mu;
————————————————
版权声明:本文为CSDN博主「机器学习之心」的原创文章,遵循CC 4.0 BY-SA版权协议,转载请附上原文出处链接及本声明。
参考资料
[1]
http://t.csdn.cn/pCWSp
[2]
https://download.csdn.net/download/kjm13182345320/87568090?spm=1001.2014.3001.5501
[3]
https://blog.csdn.net/kjm13182345320/article/details/129433463?spm=1001.2014.3001.5501