时序预测 | Matlab基于TSA-LSTM-Attention多变量多步预测
目录
- 时序预测 | Matlab基于TSA-LSTM-Attention多变量多步预测
- 预测效果
- 基本介绍
- 程序设计
- 参考资料
预测效果
基本介绍
时序预测 | Matlab基于TSA-LSTM-Attention被囊群优化算法优化长短期记忆网络融合注意力机制多变量多步时间序列预测
TSA-LSTM-Attention超前24步多变量回归预测算法。
程序平台:无Attention适用于MATLAB+2023版及以上版本;融合Attention要求Matlab2023版以上
代码说明:基于被囊群优化算法(TSA)、长短期记忆网络(LSTM)融合注意力机制的超前24步多变量时间序列回归预测算法。多变量特征输入,单序列变量输出,输入前一天的特征,实现后
程序设计
- 完整源码和数据获取方式私信回复Matlab基于TSA-LSTM-Attention被囊群优化算法优化长短期记忆网络融合注意力机制多变量多步时间序列预测。
%% 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);
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