Matlab 基于Transformer结合支持向量机(Transformer-SVM)单变量时序预测 (单输入单输出)
预测结果
评价指标
训练集数据的R2为:0.99256
测试集数据的R2为:0.96559
训练集数据的MAE为:0.0063126
测试集数据的MAE为:0.0073282
训练集数据的MBE为:9.6777e-05
测试集数据的MBE为:6.2249e-05
基本介绍
LSTM长短期记忆神经网络时间序列预测,运行版本Matlab2018b及以上。
完整程序
%*****************************************************************************************************************************************************************************************
%% 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('数据集.xlsx');
%*****************************************************************************************************************************************************************************************
%% 数据分析
num_samples = length(result); % 样本个数
kim = 15; % 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 + 1
res(i, :) = [reshape(result(i: i + kim - 1), 1, kim), result(i + kim + zim - 1)];
end
%*****************************************************************************************************************************************************************************************
%% 划分训练集和测试集
temp = 1: 1: 922;
%*****************************************************************************************************************************************************************************************
P_train = res(temp(1: 700), 1: 15)';
T_train = res(temp(1: 700), 16)';
M = size(P_train, 2);
%*****************************************************************************************************************************************************************************************
P_test = res(temp(701: end), 1: 15)';
T_test = res(temp(701: end), 16)';
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/m0_57362105/category_12075406.html?spm=1001.2014.3001.5482
[2] https://blog.csdn.net/m0_57362105/category_12075406.html?spm=1001.2014.3001.5482
[3] https://blog.csdn.net/m0_57362105/category_12075406.html?spm=1001.2014.3001.5482