目录
效果一览
基本介绍
1.Matlab基于TCN-BiGRU-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-BiGRU-Attention是一种用于时间序列多步预测的深度学习模型，它结合了Temporal Convolutional Networks (TCN)、双向门控循环单元 (BiGRU) 和注意力机制 (Attention) 的特性。
在这个模型中，输入是一个时间序列，并且预测是多步的，也就是说，我们希望通过给定的历史时间序列数据来预测未来的多个时间步。以下是该模型的一般流程：
输入编码层 (Input Encoding): 首先，原始的时间序列数据经过一个编码层，可以使用一维卷积神经网络 (Conv1D) 或者 TCN 来提取特征。这一步旨在捕捉时间序列中的局部和全局模式。
双向门控循环单元 (BiGRU): 编码层的输出被传递给一个双向门控循环单元 (BiGRU) 层。BiGRU 可以学习时间序列中的时序依赖性和长期依赖关系。
注意力机制 (Attention): BiGRU 层的输出被输入到一个注意力机制中，以便模型可以自动关注时间序列中最相关的部分。注意力机制有助于模型更好地理解输入序列中的重要时间步。
解码层 (Decoding): 注意力机制的输出被传递到解码层，解码层可以是一个全连接层或者其他适合预测任务的层。解码层将注意力机制的输出转换为多个时间步的预测结果。
整个模型的训练过程通常使用监督学习的方法，即使用已知的输入和对应的目标输出来训练模型。损失函数可以选择适合多步预测任务的损失函数，例如均方误差 (Mean Squared Error)。
需要注意的是，这只是TCN-BiGRU-Attention模型的一种可能实现方式，实际上可以根据具体问题的需求进行修改和调整。
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-BiGRU-Attention单输入单输出时间序列多步预测。
python
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'); % 画出曲线参考资料
[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