时序预测 | MATLAB实现TCN-Attention自注意力机制结合时间卷积神经网络时间序列预测
预测效果
基本介绍
1.MATLAB实现TCN-Attention自注意力机制结合时间卷积神经网络时间序列预测；
自注意力层 (Self-Attention)：Self-Attention自注意力机制是一种用于模型关注输入序列中不同位置相关性的机制。它通过计算每个位置与其他位置之间的注意力权重，进而对输入序列进行加权求和。自注意力能够帮助模型在处理序列数据时，对不同位置的信息进行适当的加权，从而更好地捕捉序列中的关键信息。在时序预测任务中，自注意力机制可以用于对序列中不同时间步之间的相关性进行建模。
2.运行环境为Matlab2023a及以上；
3.data为数据集，单变量时间序列预测，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、MAE、MAPE和MBE多指标评价。
程序设计
- 完整程序和数据获取方式：私信博主回复MATLAB实现TCN-Attention自注意力机制结合时间卷积神经网络时间序列预测。
%% TCN-selfAttention时间序列预测，运行环境Matlab2023及以上
%% 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 = 4; % 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);
%% 数据格式转换
pc_train{1, 1} = p_train;
pc_test {1, 1} = p_test ;
tc_train{1, 1} = t_train;
tc_test {1, 1} = t_test ;
%% 设置网络参数
numFilters = 16; % 卷积核个数
filterSize = 3; % 卷积核大小
dropoutFactor = 0.05; % 空间丢失因子
numBlocks = 1; % 残差块个数
numFeatures = f_; % 特征个数
%% 输入层结构
layer = sequenceInputLayer(numFeatures, Normalization = "rescale-symmetric", Name = "input");
参考资料
[1] http://t.csdn.cn/pCWSp
[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
