回归预测 | Matlab实现Transformer-Adaboost多变量回归预测

最新推荐文章于 2024-07-07 10:49:12 发布

机器学习之心

最新推荐文章于 2024-07-07 10:49:12 发布

阅读量1.1k

点赞数 20

分类专栏：回归预测文章标签：回归 matlab transformer Adaboost

本文链接：https://blog.csdn.net/kjm13182345320/article/details/139871832

版权

回归预测专栏收录该内容

370 篇文章 454 订阅

订阅专栏

回归预测 | Matlab实现Transformer多输入单输出回归预测

效果一览

在这里插入图片描述

基本介绍

1.回归预测 | Matlab实现Transformer-Adaboost多变量回归预测；

2.运行环境为Matlab2023b；

3.输入多个特征，输出单个变量，多变量回归预测；

4.data为数据集，excel数据，前7列输入，最后1列输出，主程序运行即可,所有文件放在一个文件夹；

5.命令窗口输出R2、MSE、MAE、MAPE和MBE多指标评价；

长期以来，时间序列预测一直使用统计方法（例如，自回归综合移动平均（ARIMA，指数平滑和结构模型）。一般来说，统计方法中使用的参数模型需要大量的领域专业知识来构建。为了减轻这种负担，许多机器学习技术，如梯度推进回归树（gradient boosting Retression tree，GBRT）得到了应用，它以数据驱动的方式学习时间序列的时间动态。然而，这些方法仍然需要手动特征工程和模型设计。深度神经网络（DNN）可以子鄂东从大量数据中获得的强大表示学习能力，出现了各种基于深度学习的TSF解决方案，在许多情况下取得了比传统技术更好的预测精度。
基于递归神经网络（RNN）的方法和基于卷积神经网络（CNN）的方法也被应用到TSF任务上。基于RNN的TSF方法属于迭代多步（IMS）预测。根据解码器是否以自回归方式实现，基于CNN的TSF方法即存在迭代多步（IMS）预测技术，也存在直接多步骤（DMS）预测技术。
Transformer可以说是最成功的序列建模架构，它在各种人工智能应用中表现出无与伦比的性能，如自然语言处理、语音识别和运动分析。最近，出现了很多基于Transformer的时间序列分析的工作。其中TSF任务的一些优秀的工作包括：LogTrans（NeurIPS 2019），Informer（AAAI 2021最佳论文），Autoformer（NeurIPS 2021），Pyraformer（ICLR 2022 ORAL），以及最近的FEDformer（ICML 2022)。

在这里插入图片描述

程序设计

完整程序和数据下载私信博主回复Matlab实现Transformer-Adaboost多变量回归预测。

%%  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

%%  导入数据
res = xlsread('data.xlsx');

%%  数据分析
num_size = 0.7;                              % 训练集占数据集比例
outdim = 1;                                  % 最后一列为输出
num_samples = size(res, 1);                  % 样本个数
res = res(randperm(num_samples), :);         % 打乱数据集（不希望打乱时，注释该行）
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 = t_train';
t_test  = t_test' ;

%%  数据格式转换
for i = 1 : M
    p_train{i, 1} = P_train(:, :, 1, i);
end

for i = 1 : N
    p_test{i, 1}  = P_test( :, :, 1, i);
end

%%  权重初始化
D = ones(1, M) / M;

%%  参数设置
K = 10;                       % 弱回归器个数
%%  创建模型
numChannels = f_;
maxPosition = 256;
numHeads = 4;
numKeyChannels = numHeads*32;

参考资料

[1] https://blog.csdn.net/kjm13182345320/article/details/128163536?spm=1001.2014.3001.5502
[2] https://blog.csdn.net/kjm13182345320/article/details/128151206?spm=1001.2014.3001.5502