Transformer-BiLSTM、Transformer、CNN-BiLSTM、BiLSTM、CNN五模型时序预测

预测效果

基本介绍

Transformer-BiLSTM、Transformer、CNN-BiLSTM、BiLSTM、CNN五模型单变量时间序列预测对比 (Matlab2023b)

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-BiLSTM、Transformer、CNN-BiLSTM、BiLSTM、CNN五模型时间序列预测对比 (Matlab2023b 单变量时间序列预测)。

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。

代码主要功能
该代码是一个多模型时间序列预测系统，使用5种深度学习模型（CNN、BiLSTM、CNN-BiLSTM、Transformer、Transformer-BiLSTM）对时间序列数据进行预测和性能对比。核心功能包括：

数据预处理：导入单列时序数据，构造滑动窗口样本

模型构建与训练：实现5种深度学习模型

预测与反归一化：对训练/测试集进行预测并还原数据尺度

可视化分析：损失曲线、预测对比图、误差分析等12类图表

性能评估：计算RMSE、R²、MAE、MAPE、MSE等指标

多模型对比：通过雷达图/罗盘图等可视化工具综合评估模型性能

算法步骤
数据准备

从Excel导入单列时序数据

构造滑动窗口样本：[X_t, X_{t+1}, …, X_{t+6}] → Y_{t+7}

按7:3划分训练/测试集

数据归一化到[0,1]区间

模型构建

CNN：两卷积层(16/32通道) + 全连接层

BiLSTM：双向LSTM层(20单元) + 回归层

CNN-BiLSTM：卷积特征提取 → BiLSTM时序建模

Transformer：位置编码 + 自注意力层 ×2

Transformer-BiLSTM：Transformer特征 + BiLSTM

训练配置

优化器：Adam

学习率调度：分段下降（下降因子0.1）

正则化：L2正则(0.001-0.04)

防过拟合：Dropout(0.2)/早停机制

预测与评估

反归一化预测结果

计算5种评估指标

多维度可视化结果对比

性能对比

绘制雷达图/罗盘图综合评价指标

误差分布直方图

二维指标散点图(R² vs MAPE)

运行环境要求
MATLAB版本：需≥R2023b

必要工具箱：

Deep Learning Toolbox

Statistics and Machine Learning Toolbox

程序设计

• 完整代码私信回复Transformer-BiLSTM、Transformer、CNN-BiLSTM、BiLSTM、CNN五模型时序预测。

%%  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（时间序列的单列数据）
result = xlsread('data.xlsx');%%  数据分析
num_samples = length(result);  % 样本个数 
kim =  7;                      % 延时步长（kim个历史数据作为自变量）
zim =  1;                      % 跨zim个时间点进行预测%%  划分数据集
for i = 1: num_samples - kim - zim + 1res(i, :) = [reshape(result(i: i + kim - 1), 1, kim), result(i + kim + zim - 1)];
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;                  % 输入特征维度%%  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);%%  数据平铺
%   将数据平铺成1维数据只是一种处理方式
%   也可以平铺成2维数据，以及3维数据，需要修改对应模型结构
%   但是应该始终和输入层数据结构保持一致
p_train =  double(reshape(p_train, f_, 1, 1, M));
p_test  =  double(reshape(p_test , f_, 1, 1, N));
t_train =  double(t_train)';
t_test  =  double(t_test )';

参考资料

[1] https://blog.csdn.net/kjm13182345320/article/details/128577926?spm=1001.2014.3001.5501
[2] https://blog.csdn.net/kjm13182345320/article/details/128573597?spm=1001.2014.3001.5501