回歸預測 | Matlab實現CNN-BiLSTM-self-Attention多變量回歸預測

預測效果

基本介紹

1.Matlab實現CNN-BiLSTM融合自注意力機制多變量回歸預測，CNN-BiLSTM-self-Attention；

MATLAB實現CNN-BiLSTM-self-Attention卷積神經網絡-雙向長短期記憶網絡融合自注意力機制多變量回歸預測。
2.data為數據集，格式為excel，7個輸入特征，1個輸出特征，多輸入單輸出回歸預測，main.m是主程序；

3.評價指標包括:R2、MAE、MSE、RMSE和MAPE等；

4.運行環境matlab2023b及以上。

程序設計

• 完整代碼私信回復回歸預測 | Matlab實現CNN-BiLSTM-self-Attention多變量回歸預測

%%  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
res =xlsread('data.xlsx');%%  數據分析
num_size = 0.7;                              % 訓練集占數據集比例
outdim = 1;                                  % 最后一列為輸出
num_samples = size(res, 1);                  % 樣本個數
rng(0);
res = res(randperm(num_samples), :);         % 打亂數據集（不希望打亂時，注釋該行）
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);

參考資料

[1] An Empirical Evaluation of Generic Convolutional and Recurrent Networks for Sequence Modeling
[2] https://locuslab/TCN
[3] https://profiles/blogs/temporal-convolutional-nets-tcns-take-over
[3] Temporal Convolutional Networks for Action Segmentation
[4] http://t.cj.sina.com.cn/articles/view