区间预测 | MATLAB实现基于CNN-BiGRU-Multihead-Attention-KDE多头注意力卷积双向门控循环单元多变量时间序列区间预测

区间预测 | MATLAB实现基于CNN-BiGRU-Multihead-Attention-KDE多头注意力卷积双向门控循环单元多变量时间序列区间预测

效果一览

基本介绍

1.Matlab实现基于CNN-BiGRU-Multihead-Attention-KDE卷积神经网络结合双向门控循环单元多头注意力多变量时间序列区间预测；

2.多图输出、点预测多指标输出(MAE、MAPE、RMSE、MSE、R2)，区间预测多指比输出（区间覆盖率PICP、区间平均宽度百分比PINAW），多输入单输出，含点预测图、不同置信区间预测图、误差分析图、核密度估计概率密度图；

3.data为数据集，功率数据集，用多个关联变量，预测最后一列功率数据，也可适用于负荷预测、风速预测；MainCNN-BiGRU-Multihead-Attention-KDENTS为主程序，其余为函数文件，无需运行；

4.代码质量高，注释清楚，含数据预处理部分，处理缺失值，如果为nan，则删除，也含核密度估计；

5.运行环境Matlab2021及以上.

模型描述

多头注意力卷积双向门控循环单元多变量时间序列区间预测
多头注意力卷积双向门控循环单元（Multi-head Attention Convolutional Bi-directional Gated Recurrent Unit）是一种深度学习模型，用于多变量时间序列预测。该模型结合了注意力机制、卷积神经网络、双向门控循环单元等多种技术，可以有效地捕获时间序列中的非线性关系和长期依赖性。
输入数据是多个时间序列，每个时间序列包含多个变量。该模型首先对每个时间序列进行卷积操作，提取其局部特征。然后，使用双向门控循环单元对序列进行编码，从而捕捉序列中的长期依赖性。接下来，使用多头注意力机制将不同时间序列之间的信息进行交互和融合，以获取全局特征。最后，使用全连接层将所有特征汇总起来，进行预测。
模型可以用于多变量时间序列的区间预测，即预测一段时间内的变量值。该模型的优点在于可以处理多个时间序列之间的复杂关系，并且可以处理不同长度的序列。此外，该模型还可以通过调整超参数和网络结构来适应不同的数据集和预测任务。

程序设计

• 完整程序和数据获取方式：私信博主回复MATLAB实现基于CNN-BiGRU-Multihead-Attention-KDE多头注意力卷积双向门控循环单元多变量时间序列区间预测。

ntrain=round(nwhole*num_size);
	ntest =nwhole-ntrain;
	% 准备输入和输出训练数据
	input_train =input(:,temp(1:ntrain));
	output_train=output(:,temp(1:ntrain));
	% 准备测试数据
	input_test =input(:, temp(ntrain+1:ntrain+ntest));
	output_test=output(:,temp(ntrain+1:ntrain+ntest));
	%% 数据归一化
	method=@mapminmax;
	[inputn_train,inputps]=method(input_train);
	inputn_test=method('apply',input_test,inputps);
	[outputn_train,outputps]=method(output_train);
	outputn_test=method('apply',output_test,outputps);
	% 创建元胞或向量，长度为训练集大小；
	XrTrain = cell(size(inputn_train,2),1);
	YrTrain = zeros(size(outputn_train,2),1);
	for i=1:size(inputn_train,2)
		XrTrain{i,1} = inputn_train(:,i);
		YrTrain(i,1) = outputn_train(:,i);
	end
	% 创建元胞或向量，长度为测试集大小；
	XrTest = cell(size(inputn_test,2),1);
	YrTest = zeros(size(outputn_test,2),1);
	for i=1:size(input_test,2)
		XrTest{i,1} = inputn_test(:,i);
		YrTest(i,1) = outputn_test(:,i);
	end

	%% 创建混合网络架构
%%  区间覆盖率
RangeForm = [T_sim(:, 1), T_sim(:, end)];
Num = 0;

for i = 1 : length(T_train)
    Num = Num +  (T_train(i) >= RangeForm(i, 1) && T_train(i) <= RangeForm(i, 2));
end

picp = Num / length(T_train);     


    S = cumtrapz(X,Y);
    Index = find(abs(m-S)<=1e-2);
    Q = X(max(Index));

参考资料

[1] https://blog.csdn.net/kjm13182345320/article/details/127931217
[2] https://blog.csdn.net/kjm13182345320/article/details/127418340