【TCN多变量时序多步预测】时间卷积神经网络多变量时间序列多步预测，多变量输入模型。matlab代码，2021b及其以上。1.多变量时间序列多步预测数据集（带数据集），采用前48个时刻的特征和负荷

【TCN多变量时序多步预测】时间卷积神经网络多变量时间序列多步预测，多变量输入模型。matlab代码，2021b及其以上。

1.多变量时间序列多步预测数据集（带数据集），采用前48个时刻的特征和负荷数据来预测未来48个时刻的负荷数据。

2. 预测多步步长，这里是预测未来2天，一天24个样本点的发电功率。滑动窗口是24，也就是1天的数据。意思就是用1~2天的数据预测第3-4天（24个小时）的发电功率。

评价指标包括:R2、MAE、MSE、RMSE和MAPE等，代码质量极高，方便学习和替换数据。参数可方便更改，程序和excel数据放在一个文件夹，注释明细。

%% 设置网络参数

numFilters = 16; % 卷积核个数

filterSize = 3; % 卷积核大小

dropoutFactor = 0.05; % 空间丢失因子

numBlocks = 1; % 残差块个数

numFeatures = f_; % 特征个数

%% 输入层结构

layer = sequenceInputLayer(numFeatures, Normalization = "rescale-symmetric", Name = "input");

%% 将输入层加入空白网络

lgraph = layerGraph(layer);

outputName = layer.Name;

%% 建立网络结构 -- 残差块

for i = 1 : numBlocks

dilationFactor = 2 ^(i - 1); % 膨胀因子

% 建立网络结构

layers = [

convolution1dLayer(filterSize, numFilters, DilationFactor = dilationFactor, ...

Padding = "causal", Name="conv1_" + i) % 一维卷积层

layerNormalizationLayer % 层归一化

spatialDropoutLayer(dropoutFactor) % 空间丢弃层

convolution1dLayer(filterSize, numFilters, ...

DilationFactor = dilationFactor, Padding = "causal") % 一维卷积层

layerNormalizationLayer % 层归一化

reluLayer % 激活层

spatialDropoutLayer(dropoutFactor) % 空间丢弃层

additionLayer(2, Name = "add_" + i)]; % 合并层

lgraph = addLayers(lgraph, layers); % 将卷积层加入到网络

lgraph = connectLayers(lgraph, outputName, "conv1_" + i); % 将模块的卷积层首层和残差结构连接

智能算法及其模型预测