多维时序 | Matlab实现WOA-TCN-Attention多变量时间序列多变量时间序列预测

多维时序 | Matlab实现WOA-TCN-Attention多变量时间序列多变量时间序列预测

目录

• 多维时序 | Matlab实现WOA-TCN-Attention多变量时间序列多变量时间序列预测

• 效果一览
• 基本介绍
• 程序设计
• 参考资料

效果一览

基本介绍

WOA-TCN-Attention多变量时间序列预测。

程序平台：要求Matlab2023版以上

代码说明：基于鲸鱼优化算法（WOA）、时间卷积神经网络（TCN）融合注意力机制变量时间序列回归预测算法。(该步数可以自己随意调整)

功能：
1、多变量特征输入，单序列变量输出。
2、通过鲸鱼化算法优化、卷积核大小、卷积核个数，空间丢失因子，残差块个数，批量大小这5个关键参数，以最小RMSE为目标函数。
3、提供损失、RMSE迭代变化图；网络的结果可视化图；测试对比图；
4、提供MAPE、RMSE、MAE等计算结果展示。

适用领域：
风速预测、光伏功率预测、发电功率预测、碳价预测，交通流预测，等多种预测类应用。

使用便捷：
直接使用EXCEL表格导入数据，无需大幅修改程序。

程序设计

• 完整程序和数据下载私信博主回复Matlab实现WOA-TCN-Attention多变量时间序列多变量时间序列预测。

%%  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
%   将数据平铺成1维数据只是一种处理方式
%   也可以平铺成2维数据，以及3维数据，需要修改对应模型结构
%   但是应该始终和输入层数据结构保持一致
p_train =  double(reshape(p_train, f_, 1, 1, M));
p_test  =  double(reshape(p_test , f_, 1, 1, N));
t_train =  double(t_train)';
t_test  =  double(t_test )';