【五模型时间序列预测对比】Transformer-LSTM、Transformer、CNN-LSTM、LSTM、CNN
目录
预测效果
基本介绍
Transformer-LSTM、Transformer、CNN-LSTM、LSTM、CNN五模型单变量时间序列预测对比 (Matlab2023b)
1.程序已经调试好，替换数据集后，仅运行一个main即可运行，数据格式为excel!!!
2.Transformer-LSTM、Transformer、CNN-LSTM、LSTM、CNN五模型单变量时间序列预测对比 (Matlab2023b 单变量时间序列预测)。
3.运行环境要求MATLAB版本为2023b及其以上。
4.评价指标包括:R2、MAE、MSE、RPD、RMSE、MAPE等，图很多，符合您的需要代码中文注释清晰，质量极高。
代码功能
这段MATLAB代码实现了一个多模型时间序列预测对比系统，核心功能包括：
使用5种深度学习模型（CNN、LSTM、CNN-LSTM、Transformer、Transformer-LSTM）进行时间序列预测
完整的预测流程：数据预处理→模型构建→训练→预测→结果可视化
全面的模型性能评估与对比分析
算法步骤
数据预处理：
从Excel导入单列时间序列数据
构建滑动窗口数据集（历史步长kim=7，预测下一个时间点）
70/30比例划分训练/测试集
数据归一化（0-1范围）
模型构建与训练：
CNN：2层卷积(16/32滤波器) + 全连接层
LSTM：单层LSTM(20单元) + 全连接
CNN-LSTM：卷积层特征提取 → LSTM时序建模
Transformer：位置编码 + 2层自注意力 + 全连接
Transformer-LSTM：Transformer特征提取 → LSTM时序建模
预测与评估：
各模型分别进行训练/测试集预测
计算5种评价指标：RMSE、MAE、MAPE、R²、MSE
反归一化恢复原始数据尺度
可视化分析：
损失函数曲线（训练过程监控）
预测结果对比曲线（5模型并行展示）
误差分布直方图
多维指标雷达图
罗盘图/柱状图/散点图对比
应用场景
金融预测：股票价格、汇率波动预测
能源领域：电力负荷、能源消耗预测
气象预测：温度、降水量时序预测
工业预测：设备故障预警、生产指标预测
算法研究：深度学习时序模型对比基准
创新亮点
多模型集成对比：一站式比较5类主流时序模型
三维可视化：雷达图/罗盘图实现多维指标直观对比
复合架构：CNN-LSTM/Transformer-LSTM等混合模型
参数配置：经调优的L2正则化/学习率衰减策略
全面评估体系：5大误差指标+7种可视化分析
程序设计
- 完整代码私信回复五模型时间序列预测对比，Transformer-LSTM、Transformer、CNN-LSTM、LSTM、CNN。
clike
%% 清空环境变量
warning off % 关闭报警信息
close all % 关闭开启的图窗
clear % 清空变量
clc % 清空命令行
%% 导入数据（时间序列的单列数据）
result = xlsread('data.xlsx');
%% 数据分析
num_samples = length(result); % 样本个数
kim = 7; % 延时步长（kim个历史数据作为自变量）
zim = 1; % 跨zim个时间点进行预测
%% 划分数据集
for i = 1: num_samples - kim - zim + 1
res(i, :) = [reshape(result(i: i + kim - 1), 1, kim), 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);
%% 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 )';参考资料
1\] https://blog.csdn.net/kjm13182345320/article/details/128577926?spm=1001.2014.3001.5501 \[2\] https://blog.csdn.net/kjm13182345320/article/details/128573597?spm=1001.2014.3001.5501