时序预测 | MATLAB实现TCN-Transformer时间序列预测

预测效果

基本介绍

1.MATLAB实现TCN-Transformer时间序列预测；
2.运行环境为Matlab2023b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。
代码只是提供模型学习，不能保证替换您的数据集就能达到很好的效果，这都需要大量的实验和调参。

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-Transformer自注意力机制结合时间卷积神经网络时间序列预测。

%% 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 + 1res(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