Transformer-BiGRU多變量時序預測（Matlab完整源碼和數據）

效果一覽

基本介紹

1.Matlab實現Transformer-BiGRU多變量時間序列預測，Transformer編碼器結合雙向門控循環單元多變量時間序列預測；

2.運行環境為Matlab2023b及以上；

3.data為數據集，輸入多個特征，輸出單個變量，考慮歷史特征的影響，多變量時間序列預測，main.m為主程序，運行即可,所有文件放在一個文件夾；

4.命令窗口輸出R2、MSE、RMSE、MAE、MAPE、MBE等多指標評價。

主要功能
時間序列預測
使用歷史時間步的特征數據預測目標值。

模型架構
結合了 Transformer 的自注意力機制（捕捉長距離依賴）和 雙向 GRU（捕捉正反向時序特征）。

完整流程
涵蓋數據預處理、模型構建、訓練、預測、評估及可視化全流程。

程序設計

完整代碼獲取私信回復：Transformer-BiGRU多變量時序預測（Matlab完整源碼和數據）

%%  清空環境變量
warning off             % 關閉報警信息
close all               % 關閉開啟的圖窗
clear                   % 清空變量
clc                     % 清空命令行%%  導入數據num_samples = length(result);  % 樣本個數
or_dim = size(result, 2);      % 原始特征+輸出數目%%  數據集分析
outdim = 1;                                  % 最后一列為輸出
num_size = 0.7;                              % 訓練集占數據集比例
num_train_s = round(num_size * num_samples); % 訓練集樣本個數
f_ = size(res, 2) - outdim;                  % 輸入特征維度%%  劃分訓練集和測試集
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);%%  數據歸一化
[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);%%  數據平鋪
%   將數據平鋪成1維數據只是一種處理方式
%   也可以平鋪成2維數據，以及3維數據，需要修改對應模型結構
%   但是應該始終和輸入層數據結構保持一致
P_train =  double(reshape(P_train, f_, 1, 1, M));
P_test  =  double(reshape(P_test , f_, 1, 1, N));

參考資料

[1] https://blog.csdn.net/kjm13182345320/article/details/129215161
[2] https://blog.csdn.net/kjm13182345320/article/details/128105718