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

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
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

在这里插入图片描述

在这里插入图片描述
在这里插入图片描述
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

  • 20
    点赞
  • 20
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

机器学习之心

谢谢支持!

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值