【Transformer多变量时序多步预测】Transformer多变量时间序列多步预测，多变量输入模型。matlab代码，2023b及其以上。1.多变量时间序列多步预测数据集（带数据集），采用前

【Transformer多变量时序多步预测】Transformer多变量时间序列多步预测，多变量输入模型。matlab代码，2023b及其以上。

1.多变量时间序列多步预测数据集（带数据集），采用前48个时刻的特征和负荷数据来预测未来48个时刻的负荷数据。

2. 预测多步步长，这里是预测未来2天，一天24个样本点的发电功率。滑动窗口是24，也就是1天的数据。意思就是用1~2天的数据预测第3-4天（24个小时）的发电功率。

评价指标包括:R2、MAE、MSE、RMSE和MAPE等，代码质量极高，方便学习和替换数据。参数可方便更改，程序和excel数据放在一个文件夹，注释明细。

%% 优化算法优化前，构建优化前的TCN模型

numChannels = or_dim;

maxPosition = 256*2;

numHeads = 4;

numKeyChannels = numHeads*32;

layers = [

sequenceInputLayer(numChannels,Name="input")

positionEmbeddingLayer(numChannels,maxPosition,Name="pos-emb");

additionLayer(2, Name="add")

selfAttentionLayer(numHeads,numKeyChannels,'AttentionMask','causal')

selfAttentionLayer(numHeads,numKeyChannels)

indexing1dLayer("last")

fullyConnectedLayer(n_out)

regressionLayer];

lgraph = layerGraph(layers);

lgraph = connectLayers(lgraph,"input","add/in2");

智能算法及其模型预测