双路创新深度学习!TCN-Transformer+LSTM多变量时间序列预测(Matlab)

server/2024/9/24 1:28:05/

双路创新深度学习TCN-Transformer+LSTM多变量时间序列预测(Matlab)

目录

效果一览

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

基本介绍

1.Matlab实现双路创新深度学习TCN-Transformer+LSTM多变量时间序列预测TCN-Transformer+LSTM多变量时间序列预测
2.运行环境为Matlab2023b及以上;
3.data为数据集,输入多个特征,输出单个变量,考虑历史特征的影响,多变量时间序列预测,main.m为主程序,运行即可,所有文件放在一个文件夹;
4.命令窗口输出R2、MSE、RMSE、MAE、MAPE等多指标评价;

在这里插入图片描述

程序设计


%%  划分数据集
for i = 1: num_samples - kim - zim + 1res(i, :) = [reshape(result(i: i + kim - 1, :), 1, kim * or_dim), result(i + kim + zim - 1, :)];
end%%  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);%%  转置以适应模型
p_train = p_train'; p_test = p_test';
t_train = t_train'; t_test = t_test';%%  参数设置
fun = @getObjValue;    % 目标函数
dim = 2;               % 优化参数个数
lb  = [0.1, 0.1];      % 优化参数目标下限
ub  = [ 800,  800];    % 优化参数目标上限
pop = 20;              % 种群数量
Max_iteration = 30;    % 最大迭代次数   %%  优化算法
[Best_score,Best_pos, curve] = SSA(pop, Max_iteration, lb, ub, dim, fun); %%  获取最优参数
bestc = Best_pos(1, 1);  
bestg = Best_pos(1, 2); 

参考资料

[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


http://www.ppmy.cn/server/121090.html

相关文章

Git常用命令详解

Git 是一个功能强大的版本控制系统,以下是一些常用的 Git 命令及其解释和案例: 1、配置 git config --global user.name "Your Name":配置全局用户名。 git config --global user.email "emailexample.com:配置全…

yolov8使用强数据增强

yolo强数据增强 在深度学习的训练中,强数据增强(strong data augmentation)通过对训练数据进行更大幅度的随机变换,增强模型的泛化能力,减少过拟合风险。强数据增强可以包括各种随机的图像变换操作,使得模型…

Qt (17)【Qt 文件操作 读写保存】

阅读导航 引言一、Qt文件概述二、输入输出设备类三、文件读写类四、文件和目录信息类五、自定义“记事本” 引言 在上一篇文章中,我们学习了Qt的事件处理机制,知道了如何响应用户的操作。但应用程序常常还需要处理文件,比如读写数据。所以&a…

大联大诠鼎集团推出基于联咏科技、思特威和TDK产品的电子防抖(EIS)摄像头方案

大联大控股宣布,其旗下诠鼎推出基于联咏科技(NOVATEK)NT98530芯片、思特威(SmartSens)SC850SL图像传感器和TDK ICM-42607 IMU(惯性传感模块)的电子防抖(EIS)摄像头方案。…

Fyne ( go跨平台GUI )中文文档-绘图和动画(三)

本文档注意参考官网(developer.fyne.io/) 编写, 只保留基本用法 go代码展示为Go 1.16 及更高版本, ide为goland2021.2 这是一个系列文章: Fyne ( go跨平台GUI )中文文档-入门(一)-CSDN博客 Fyne ( go跨平台GUI )中文文档-Fyne总览(二)-CSDN博客 Fyne ( go跨平台GUI…

【Kubernetes】常见面试题汇总(二十八)

目录 79.您如何看待公司从单一服务转向微服务并部署其服务容器? 80.什么是 Headless Service? 特别说明: 题目 1-68 属于【Kubernetes】的常规概念题。 题目 69-113 属于【Kubernetes】的生产应用题。 79.您如何看待公司从单一服务转…

C++学习笔记----7、使用类与对象获得高性能(二)---- 理解对象生命周期(7)

13、对象赋值 就像在c中可以将一个int值赋给另一个,也可以将一个对象赋值给另一个对象。例如,下面的代码将MyCell的值赋值给anotherCell: SpreadsheetCell myCell { 5 }, anotherCell; anotherCell myCell; 你可能会说是myCell被“拷贝”给了anotherCe…

JavaScript 可视化

一、JavaScript 可视化概述 JavaScript 在 Web 前端开发中的广泛应用,使其成为构建互动性和实时数据可视化的理想工具。通过各种库和框架,JavaScript 可以帮助开发者创建动态图表、图形、地图等可视化内容。 二、常用的 JavaScript 可视化库 D3.js 特点…