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）

前程算法屋

于 2024-09-30 21:12:55 发布

阅读量151

点赞数 1

分类专栏：私信获取源码文章标签： matlab transformer 支持向量机

本文链接：https://blog.csdn.net/m0_57362105/article/details/142663941

版权

私信获取源码专栏收录该内容

234 篇文章 15 订阅

订阅专栏

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