WOA-Transformer鯨魚算法優化編碼器時間序列預測（Matlab實現）

預測效果

基本介紹

1.Matlab實現WOA-Transformer鯨魚算法優化編碼器時間序列預測，運行環境Matlab2023b及以上；
2.excel數據，方便替換，可在下載區獲取數據和程序內容。
3.優化參數為注意力機制頭數、學習率、正則化系數，圖很多，包括預測效果圖、誤差分析圖、決定系數圖。
4.data為數據集，輸入輸出單個變量，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，運行環境為Matlab2023b及以上。
5.代碼特點：參數化編程、參數可方便更改、代碼編程思路清晰、注釋明細。可在下載區獲取數據和程序內容。
6.命令窗口輸出R2、MSE、RMSE、MAE、MAPE、MBE等多指標評價；
注：程序和數據放在一個文件夾

程序設計

• 完整源碼和數據獲取方式私信博主回復WOA-Transformer鯨魚算法優化編碼器時間序列預測（Matlab實現） 。

%%  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（時間序列的單列數據）
result = xlsread('data.xlsx');%%  數據分析
num_samples = length(result);  % 樣本個數 
kim = 4;                      % 延時步長（kim個歷史數據作為自變量）
zim =  1;                      % 跨zim個時間點進行預測%%  劃分數據集
for i = 1: num_samples - kim - zim + 1res(i, :) = [reshape(result(i: i + kim - 1), 1, kim), result(i + kim + zim - 1)];
end%% 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);%% 節點個數
inputnum  = size(p_train, 1); % 輸入層節點數
hiddennum = 15;                % 隱藏層節點數
outputnum = size(t_train, 1); % 輸出層節點數
% CSDN 機器學習之心

參考資料

[1] https://blog.csdn.net/kjm13182345320/article/details/128577926?spm=1001.2014.3001.5501
[2] https://blog.csdn.net/kjm13182345320/article/details/128573597?spm=1001.2014.3001.5501