二维码生成器app下载,山东济南seo整站优化,中铁建设集团登录,网站虚拟主机哪个好靓图#xff01;多点创新#xff01;CEEMDAN-Kmeans-VMD-CNN-LSTM-Attention双重分解卷积长短期注意力多元时间序列预测 目录 靓图#xff01;多点创新#xff01;CEEMDAN-Kmeans-VMD-CNN-LSTM-Attention双重分解卷积长短期注意力多元时间序列预测效果一览基本介绍程序设计…靓图多点创新CEEMDAN-Kmeans-VMD-CNN-LSTM-Attention双重分解卷积长短期注意力多元时间序列预测 目录 靓图多点创新CEEMDAN-Kmeans-VMD-CNN-LSTM-Attention双重分解卷积长短期注意力多元时间序列预测效果一览基本介绍程序设计 作者简介参考资料 效果一览 基本介绍
1.Matlab实现CEEMDAN-Kmeans-VMD-CNN-LSTM-Attentionr融合K均值聚类的数据双重分解卷积长短期记忆神经网络注意力机制多元时间序列预测完整源码和数据
2.CEEMDAN分解计算样本熵根据样本熵进行kmeans聚类调用VMD对高频分量二次分解 VMD分解的高频分量与前分量作为卷积长短期记忆神经网络注意力机制模型的目标输出分别预测后相加。
3.多变量单输出考虑历史特征的影响评价指标包括R2、MAE、RMSE、MAPE等。
4.算法新颖。⑴ CEEMDAN-Kmeans-VMD-CNN-LSTM-Attention模型处理高频数据具有更高的准确率能够跟踪数据的趋势以及变化。⑵ VMD 模型处理非线性、非平稳以及复杂的数据表现得比EMD 系列更好因此将重构的数据通过VMD 模型分解提高了模型的准确度。
5.直接替换Excel数据即可用注释清晰适合新手小白直接运行主文件一键出图。
6.代码特点参数化编程、参数可方便更改、代码编程思路清晰、注释明细。
数据集
参考文献 程序设计
完整程序和数据获取方式私信博主回复Matlab实现GWO-TCN-LSTM-Attention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%% 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
P_train double(reshape(P_train, f_, 1, 1, M));
P_test double(reshape(P_test , f_, 1, 1, N));t_train t_train;
t_test t_test ;%% 数据格式转换
for i 1 : Mp_train{i, 1} P_train(:, :, 1, i);
endfor i 1 : Np_test{i, 1} P_test( :, :, 1, i);
end%% 参数设置
options trainingOptions(adam, ... % Adam 梯度下降算法MaxEpochs, 100, ... % 最大训练次数 InitialLearnRate, 0.01, ... % 初始学习率为0.01LearnRateSchedule, piecewise, ... % 学习率下降LearnRateDropFactor, 0.1, ... % 学习率下降因子 0.1LearnRateDropPeriod, 70, ... % 经过训练后 学习率为 0.01*0.1Shuffle, every-epoch, ... % 每次训练打乱数据集Verbose, 1);
figure
subplot(2,1,1)
plot(T_train,k--,LineWidth,1.5);
hold on
plot(T_sim_a,r-,LineWidth,1.5)
legend(真实值,预测值)
title(CEEMDAN-VMD-CNN-LSTM-Attention训练集预测效果对比)
xlabel(样本点)
ylabel(数值)
subplot(2,1,2)
bar(T_sim_a-T_train)disp(…………测试集误差指标…………)
[mae2,rmse2,mape2,error2]calc_error(T_test,T_sim_b);
fprintf(\n)figure
subplot(2,1,1)
plot(T_test,k--,LineWidth,1.5);
hold on
plot(T_sim_b,b-,LineWidth,1.5)
legend(真实值,预测值)
作者简介
机器学习之心博客专家认证机器学习领域创作者2023博客之星TOP50主做机器学习和深度学习时序、回归、分类、聚类和降维等程序设计和案例分析。
参考资料 [1] https://blog.csdn.net/kjm13182345320/article/details/127931217 [2] https://blog.csdn.net/kjm13182345320/article/details/127418340
