当前位置：首页 > article >正文

五模型对比！Transformer-GRU、Transformer、CNN-GRU、GRU、CNN五模型多变量时间序列预测

article 2024/12/29 5:14:00

预测效果

在这里插入图片描述

基本介绍

光伏功率预测！五模型对比！Transformer-GRU、Transformer、CNN-GRU、GRU、CNN五模型多变量时间序列预测(Matlab2023b 多输入单输出)
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-GRU、Transformer、CNN-GRU、GRU、CNN五模型多变量时序光伏功率预测 (Matlab2023b 多输入单输出)，考虑历史特征的影响。
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。

在这里插入图片描述

程序设计

完整程序和数据获取方式：私信博主回复Matlab基于Transformer-GRU、Transformer、CNN-GRU、GRU、CNN五模型多变量时间序列预测。

%%  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
result = xlsread('北半球光伏数据.xlsx');

%%  数据分析
num_samples = length(result);  % 样本个数
kim = 2;                       % 延时步长（前面多行历史数据作为自变量）
zim = 1;                       % 跨zim个时间点进行预测
nim = size(result, 2) - 1;     % 原始数据的特征是数目

%%  划分数据集
for i = 1: num_samples - kim - zim + 1
    res(i, :) = [reshape(result(i: i + kim - 1 + zim, 1: end - 1)', 1, ...
        (kim + zim) * nim), result(i + kim + zim - 1, end)];
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;                  % 输入特征长度

%%  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);

参考资料

[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

查看全文

http://www.kler.cn/a/455927.html