基于注意力机制attention结合长短期记忆网络LSTM时间序列预测，Attention-LSTM时间序列预测，单输入单输出模型。运行环境MATLAB版本为2020b及其以上。评价指标包括:

 

%%  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
data2 = xlsread('windspeed.xls','Sheet1','B2:B1001');

%%  数据分析
num_samples = length(data2);       % 样本个数 
kim = 6;                      % 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
or_dim = size(data2,2);
res=[];
%  重构数据集
for i = 1: num_samples - kim - zim + 1
    res(i, :) = [reshape(data2(i: i + kim - 1,:), 1, kim*or_dim), data2(i + kim + zim - 1,:)];
end

%%  数据集分析
outdim = 1;                                  % 最后一列为输出
num_size = 0.85;                              % 训练集占数据集比例
num_train_s = round(num_size * num_samples); % 训练集样本个数
f_ = size(res, 2) - outdim;                  % 输入特征长度
num_val = 0.2;                               % 验证集比例
nim=1;  % 原始数据的特征是数目
%%  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
p_train = reshape(p_train, nim, f_ / nim, M);
p_test  = reshape(p_test , nim, f_ / nim, N);
p_train = permute(p_train, [1, 3, 2]);
p_test  = permute(p_test , [1, 3, 2]);
t_train = t_train';
t_test  = t_test' ;
 

智能算法及其模型预测