Transformer-BiLSTM、Transformer、CNN-BiLSTM、BiLSTM、CNN五模型时序预测
目录
- Transformer-BiLSTM、Transformer、CNN-BiLSTM、BiLSTM、CNN五模型时序预测
- 预测效果
- 基本介绍
- 程序设计
- 参考资料
预测效果
基本介绍
Transformer-BiLSTM、Transformer、CNN-BiLSTM、BiLSTM、CNN五模型单变量时间序列预测对比 (Matlab2023b)
1.程序已经调试好，替换数据集后，仅运行一个main即可运行，数据格式为excel!!!
2.Transformer-BiLSTM、Transformer、CNN-BiLSTM、BiLSTM、CNN五模型时间序列预测对比 (Matlab2023b 单变量时间序列预测)。
3.运行环境要求MATLAB版本为2023b及其以上。
4.评价指标包括:R2、MAE、MSE、RPD、RMSE、MAPE等，图很多，符合您的需要代码中文注释清晰，质量极高。
代码主要功能
该代码是一个多模型时间序列预测系统，使用5种深度学习模型（CNN、BiLSTM、CNN-BiLSTM、Transformer、Transformer-BiLSTM）对时间序列数据进行预测和性能对比。核心功能包括：
数据预处理：导入单列时序数据，构造滑动窗口样本
模型构建与训练：实现5种深度学习模型
预测与反归一化：对训练/测试集进行预测并还原数据尺度
可视化分析：损失曲线、预测对比图、误差分析等12类图表
性能评估：计算RMSE、R²、MAE、MAPE、MSE等指标
多模型对比：通过雷达图/罗盘图等可视化工具综合评估模型性能
算法步骤
数据准备
从Excel导入单列时序数据
构造滑动窗口样本：[X_t, X_{t+1}, …, X_{t+6}] → Y_{t+7}
按7:3划分训练/测试集
数据归一化到[0,1]区间
模型构建
CNN：两卷积层(16/32通道) + 全连接层
BiLSTM：双向LSTM层(20单元) + 回归层
CNN-BiLSTM：卷积特征提取 → BiLSTM时序建模
Transformer：位置编码 + 自注意力层 ×2
Transformer-BiLSTM：Transformer特征 + BiLSTM
训练配置
优化器：Adam
学习率调度：分段下降（下降因子0.1）
正则化：L2正则(0.001-0.04)
防过拟合：Dropout(0.2)/早停机制
预测与评估
反归一化预测结果
计算5种评估指标
多维度可视化结果对比
性能对比
绘制雷达图/罗盘图综合评价指标
误差分布直方图
二维指标散点图(R² vs MAPE)
运行环境要求
MATLAB版本：需≥R2023b
必要工具箱：
Deep Learning Toolbox
Statistics and Machine Learning Toolbox
程序设计
- 完整代码私信回复Transformer-BiLSTM、Transformer、CNN-BiLSTM、BiLSTM、CNN五模型时序预测。
%% 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
%% 导入数据（时间序列的单列数据）
result = xlsread('data.xlsx');
%% 数据分析
num_samples = length(result); % 样本个数
kim = 7; % 延时步长（kim个历史数据作为自变量）
zim = 1; % 跨zim个时间点进行预测
%% 划分数据集
for i = 1: num_samples - kim - zim + 1
res(i, :) = [reshape(result(i: i + kim - 1), 1, kim), result(i + kim + zim - 1)];
end
%% 数据集分析
outdim = 1; % 最后一列为输出
num_size = 0.7; % 训练集占数据集比例
num_train_s = round(num_size * num_samples); % 训练集样本个数
f_ = size(res, 2) - outdim; % 输入特征维度
%% 划分训练集和测试集
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);
%% 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 )';
参考资料
[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
