基于Transformer模型的时间序列预测代码

用MATLAB编写的Transformer时间序列预测代码版本是2020b,代码如下：

% 导入数据
% data = csvread('data.csv');
% data.csv 是你的数据集，可以替换为你自己的数据
% 定义超参数 
num_epochs = 50; 
batch_size = 32;
learning_rate = 0.001;
num_heads = 4;
embedding_dim = 64; 
num_layers = 4; 
% 划分训练集和测试集
train_size = floor(0.8 * size(data, 1));
train_data = data(1:train_size, :);
test_data = data(train_size+1:end, :); 
% 标准化数据，以避免梯度爆炸或消失 
mu = mean(train_data);
sigma = std(train_data); 
train_data = (train_data - mu) ./ sigma;
test_data = (test_data - mu) ./ sigma;
% 构建训练和测试集 
train_dataset = arrayDatastore(train_data, 'OutputType', 'same', 'MiniBatchSize', batch_size);
test_dataset = arrayDatastore(test_data, 'OutputType', 'same', 'MiniBatchSize', batch_size); 
% 定义Transformer模型 
model = transformerModel(num_layers, num_heads, embedding_dim, size(train_data, 2));
% 定义损失函数和优化器
loss_function = @(y, t) mse(y, t); 
optimizer = adamOpt('LearnRate', learning_rate);
% 训练模型 
for epoch = 1:num_epochs
    % 重置训练集的状态
    reset(train_dataset); 
    % 每个批次进行训练
    while hasdata(train_dataset) 
        % 读取训练数据 
        [XTrain, YTrain] = read(train_dataset);
        % 计算损失和梯度 
        [gradients, loss] = dlfeval(@modelGradients, XTrain, YTrain, model, loss_function); 
        % 更新权重 
        model = adamupdate(model, gradients, optimizer);
    end
    % 打印损失
    fprintf('Epoch %d, Loss: %f\n', epoch, double(gather(extractdata(loss)))); 
end
% 测试模型
reset(test_dataset); predictions = [];
while hasdata(test_dataset) 
    % 读取测试数据 
    XTest = read(test_dataset); 
    % 预测输出
    YPred = model(XTest); 
    % 将预测输出添加到预测列表中
    predictions = [predictions; gather(extractdata(YPred))];
end
% 将预测输出反标准化
predictions = predictions .* sigma + mu; 
% 绘制预测结果和实际结果 
plot(train_data(:, end)); 
hold on;
plot(train_size+1:size(data, 1), test_data(:, end)); 
plot(train_size+1:size(data, 1), predictions(:, end)); 
legend('Training Data', 'Test Data', 'Predictions');
hold off;

说实话，注释真的挺全的，采用的是多头注意力机制。运行报错的结果如下：

如果有哪位小伙伴明白是怎么回事，可以在评论区交流一下。