多次元時系列 | MATLAB は SABO-CNN-GRU-Attendant 多変量時系列予測を実装
予測効果
基本的な紹介
多次元時系列 | MATLAB は BiTCN-BiGRU-Attendant 多変量時系列予測を実装します。
モデルの説明
MATLAB は BiTCN-BiGRU-Attendance 多変量時系列予測を実装します
1. プログラム プラットフォーム: Matlab2023 バージョン以降が必要です;
2. BiTCN (Bidirection Time Convolutional Network) 双方向時間畳み込みネットワークと双方向ゲート リカレント ユニット (BiGRU) 融合アテンション メカニズムを組み合わせた提案高度な 24 ステップの多変量時系列回帰予測アルゴリズムは非常に革新的です;
3. 多変量特徴入力、単一シーケンス変数出力、前日の特性を入力し、予測の 24 ステップ先の翌日の予測を実現します。MAPE、RMSE、MAEなどの計算結果を表示します。
これには以下の革新性があります。
①マルチモデルの組み合わせ: BiTCN、BiGRU、およびアテンションは、それぞれ時系列モデリング、双方向コンテキストキャプチャ、および重要な情報へのアテンションの機能を表します。これらを組み合わせて各モデルの利点を最大限に活用することで、モデルはさまざまなレベルと次元で時系列の特性を学習できるようになり、予測パフォーマンスが向上します。
②時間特徴キャプチャ: BiTCN は、双方向の時間畳み込みを通じて時系列のタイミング パターンをキャプチャし、畳み込み演算で過去と未来の情報を融合できます。BiGRU は、ゲートされた反復ユニットに基づいて双方向性を導入し、シーケンス内のコンテキスト情報を効果的にキャプチャします。両者を組み合わせることで、時系列の時間的特徴をより包括的に学習することができます。
③重要な情報のアテンション: アテンション メカニズムにより、モデルは重要なタイム ステップにさらに焦点を当て、さまざまなタイム ステップの重要性に応じてさまざまな特徴に重み付けを行うことができます。これにより、モデルがシーケンス内の重要な情報をより適切に取得し、予測精度を向上させることができます。
④ 階層的特徴学習: アテンション メカニズムにより、モデルはさまざまなレベルで特徴に重みを付けることができます。つまり、さまざまなタイム ステップでアテンションの重みを計算できます。これにより、必要に応じてグローバル情報とローカル情報に焦点を当て、モデルがシーケンスをより正確にモデル化できるようになります。
4.適用分野：
風速予測、太陽光発電予測、発電量予測、炭素価格予測など。
5. 使いやすさ:
プログラムを大幅に変更することなく、EXCEL フォームを直接使用してデータをインポートします。中には詳細な注意書きがあり、分かりやすいです。
プログラミング
- 完全なプログラムとデータの取得方法 1: 同等の値のプログラム交換。
- 完全なプログラムとデータ取得方法 2: プライベート レター ブロガーがMATLAB に返信して、BiTCN-BiGRU-Attendant 多変量時系列予測の取得を実現します。
gruLayer(32,'OutputMode',"last",'Name','bil4','RecurrentWeightsInitializer','He','InputWeightsInitializer','He')
dropoutLayer(0.25,'Name','drop2')
% 全连接层
fullyConnectedLayer(numResponses,'Name','fc')
regressionLayer('Name','output') ];
layers = layerGraph(layers);
layers = connectLayers(layers,'fold/miniBatchSize','unfold/miniBatchSize');
%-----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------
%% 训练选项
if gpuDeviceCount>0
mydevice = 'gpu';
else
mydevice = 'cpu';
end
options = trainingOptions('adam', ...
'MaxEpochs',MaxEpochs, ...
'MiniBatchSize',MiniBatchSize, ...
'GradientThreshold',1, ...
'InitialLearnRate',learningrate, ...
'LearnRateSchedule','piecewise', ...
'LearnRateDropPeriod',56, ...
'LearnRateDropFactor',0.25, ...
'L2Regularization',1e-3,...
'GradientDecayFactor',0.95,...
'Verbose',false, ...
'Shuffle',"every-epoch",...
'ExecutionEnvironment',mydevice,...
'Plots','training-progress');
%% 模型训练
rng(0);
net = trainNetwork(XrTrain,YrTrain,layers,options);
%-----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------
%% 测试数据预测
% 测试集预测
YPred = predict(net,XrTest,"ExecutionEnvironment",mydevice,"MiniBatchSize",numFeatures);
YPred = YPred';
% 数据反归一化
YPred = sig.*YPred + mu;
YTest = sig.*YTest + mu;
————————————————
版权声明：本文为CSDN博主「机器学习之心」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
参考文献
[1] http://t.csdn.cn/pCWSp
[2] https://download.csdn.net/download/kjm13182345320/87568090?spm=1001.2014.3001.5501
[3] https://blog.csdn.net /kjm13182345320/article/details/129433463?spm=1001.2014.3001.5501