Transformer-BiGRU、Transformer、CNN-BiGRU、BiGRU、CNN五模型多变量时序预测

Transformer-BiGRU、Transformer、CNN-BiGRU、BiGRU、CNN五模型多变量时序预测

预测效果

基本介绍

Transformer-BiGRU、Transformer、CNN-BiGRU、BiGRU、CNN五模型多变量时序预测，五模型多变量时序光伏功率预测 (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-BiGRU、Transformer、CNN-BiGRU、BiGRU、CNN五模型多变量时序预测，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。

代码主要功能

这段MATLAB代码实现了光伏发电量预测任务，通过构建并比较5种深度学习模型（CNN、BiGRU、CNN-BiGRU、Transformer、Transformer-BiGRU）的性能，包含完整的：

数据预处理（时间序列重构、归一化、数据集划分）
模型构建与训练
预测与结果可视化
多模型性能评估（RMSE/MAE/MAPE/R²等指标）
算法步骤
数据准备阶段

导入北半球光伏数据（北半球光伏数据.xlsx）
构建时间窗口：用前kim=2步历史数据预测未来zim=1步
按7:3划分训练集/测试集
数据归一化（mapminmax）和平铺处理
模型构建与训练

CNN模型：2层卷积(16/32通道) + BatchNorm + Dropout
BiGRU模型：双向GRU(40单元) + 翻转层
CNN-BiGRU模型：卷积层 + 序列折叠 + BiGRU(64单元)
Transformer模型：位置编码 + 自注意力层(4头)
Transformer-BiGRU模型：Transformer + 双向GRU(6正向/10反向单元)
预测与评估

各模型独立进行训练/测试集预测
反归一化得到实际预测值
计算5种评估指标（RMSE/MAE/MAPE/R²/MSE）
可视化分析

损失曲线（RMSE/Loss）
预测结果对比曲线（训练集/测试集）
多模型综合对比图（组合曲线/误差分布）
多维评估（雷达图/罗盘图/柱状图/散点图）

程序设计

• 完整代码私信回复Transformer-BiGRU、Transformer、CNN-BiGRU、BiGRU、CNN五模型多变量时序预测。

%%  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