基于卷积神经网络-双向门控循环单元结合注意力机制(CNN-BIGRU-Attention)时间序列预测，matlab代码，2020版本及以上。评价指标包括:R2、MAE、MSE、RMSE和MAPE

 

%%  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
% restoredefaultpath
tic
%% 加载数据与数据集划分

%% 导入数据
data = xlsread('数据集.xlsx');
f=data(1:500,:);
[x,y]=data_process(f,8);   %步长为12

num=size(x,1);        %前70%训练，对最后30%进行预测
m=round(0.75*num);

P_train=x(1:m,:)';
T_train=y(1:m,:)';

P_test=x(m+1:end,:)';
T_test=y(m+1:end,:)';
f_=size(P_train,1);
outdim=1;
%%  得到训练集和测试样本个数
M = size(P_train, 2);
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 =  double(t_train)';
t_test  =  double(t_test )';

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

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

智能算法及其模型预测