基于卷积神经网络-双向长短期记忆网络结合注意力机制(CNN-BILSTM-Attention)时间序列预测，单列数据输入模型 m

%% 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 tic % restoredefaultpath %% 导入数据 f = xlsread('windspeed.xls','Sheet1','B2:B501'); [x,y]=data_process(f,8); %步长为8 num=size(x,1); %前70%训练，对最后30%进行预测 m=round(0.7*num); P_train=x(1:m,:)'; T_train=y(1:m,:)'; P_test=x(m+1:end,:)'; T_test=y(m+1:end,:)'; %% 数据分析 outdim = 1; % 最后一列为输出 f_ = size(P_train, 1); % 输入特征维度 %% 得到训练集和测试样本个数 M = size(P_train, 2); 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 )'; %% 数据格式转换 for i = 1 : M Lp_train{i, 1} = p_train(:, :, 1, i); end for i = 1 : N Lp_test{i, 1} = p_test( :, :, 1, i); end %% 建立模型 disp(['搜索：']) disp(['https://mbd.pub/o/DDR1']) %% 打印出评价指标 %% disp(['-----------------------误差计算--------------------------']) %% disp(['评价结果如下所示：']) %% disp(['平均绝对误差MAE为：',num2str(MAE2)]) %% disp(['均方误差MSE为： ',num2str(mse2)]) %% disp(['均方根误差RMSEP为： ',num2str(error2)]) %% disp(['决定系数R^2为： ',num2str(R2)]) %% disp(['剩余预测残差RPD为： ',num2str(RPD2)]) %% disp(['平均绝对百分比误差MAPE为： ',num2str(MAPE2)]) %% grid disp(['平均绝对百分比误差MAPE为： ',num2str(MAPE2)]) grid