目录
- 效果一览
- 基本介绍
- 程序设计
- 参考资料
效果一览
基本介绍
1.Matlab基于TCN-GRU-Attention单输入单输出时间序列多步预测;
2.单变量时间序列数据集,采用前12个时刻预测未来96个时刻的数据;
3.excel数据方便替换,运行环境matlab2023及以上,展示最后96个时间步的预测对比图,评价指标MAE、MAPE、RMSE、MSE、R2;
4.程序语言为matlab,程序可出预测效果图,迭代优化图,相关分析图;
5.代码特点:参数化编程、参数可方便更改、代码编程思路清晰、注释明细。
TCN(Temporal Convolutional Network,时间卷积网络):TCN是一种卷积神经网络结构,专门用于处理时间序列数据。它通过堆叠一系列的1D卷积层和残差连接来捕捉时间序列中的长期依赖关系。每个卷积层的输出都会被送入下一个卷积层或者其他组件进行进一步处理。
GRU(Gated Recurrent Unit,门控循环单元):GRU是一种循环神经网络结构,用于处理序列数据。它通过门控机制来控制信息的流动和遗忘,从而更好地捕捉序列中的依赖关系。GRU模型可以将TCN的输出作为输入,并根据当前输入和前一个时间步的隐藏状态来生成下一个时间步的隐藏状态。
Attention(注意力机制):注意力机制用于加强模型对序列中不同位置的重要性的关注。通过计算每个时间步的注意力权重,模型可以自动学习并关注序列中最相关的部分。在TCN-GRU模型中,可以使用注意力机制来进一步提取和整合TCN和GRU的输出,以便更好地进行多步预测。
程序设计
- 完整程序和数据获取方式:私信博主回复Matlab基于TCN-GRU-Attention单输入单输出时间序列多步预测。
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);
% 格式转换
for i = 1 : M
vp_train{i, 1} = p_train(:, i);
vt_train{i, 1} = t_train(:, i);
end
for i = 1 : N
vp_test{i, 1} = p_test(:, i);
vt_test{i, 1} = t_test(:, i);
end
lgraph = connectLayers(lgraph,outputName,"flatten");
lgraph = connectLayers(lgraph,"flatten","gru1");
lgraph = connectLayers(lgraph,"flatten","flip3");
lgraph = connectLayers(lgraph,"gru1","concat/in1");
lgraph = connectLayers(lgraph,"gru2","concat/in2");
% 参数设置
options0 = trainingOptions('adam', ... % 优化算法Adam
'MaxEpochs', 150, ... % 最大训练次数
'GradientThreshold', 1, ... % 梯度阈值
'InitialLearnRate', 0.01, ... % 初始学习率
'LearnRateSchedule', 'piecewise', ... % 学习率调整
'LearnRateDropPeriod',100, ... % 训练100次后开始调整学习率
'LearnRateDropFactor',0.001, ... % 学习率调整因子
'L2Regularization', 0.001, ... % 正则化参数
'ExecutionEnvironment', 'cpu',... % 训练环境
'Verbose', 1, ... % 关闭优化过程
'Plots', 'none'); % 画出曲线