CNN-LSTM-Attention混合神经网络归时序预测的MATLAB实现（源代码）

CNN-LSTM-Attention介绍：
CNN-LSTM-Attention混合神经网络是一种结合了卷积神经网络（CNN）、长短期记忆神经网络（LSTM）和注意力机制（Attention）的模型。这种混合神经网络结合了CNN对空间特征的提取、LSTM对时间序列特征的建模以及注意力机制对关键信息的聚焦，适用于处理既包含空间特征又包含时间序列特征的复杂数据。

卷积神经网络（CNN）：
CNN适用于处理图像等具有空间结构的数据，通过卷积层和池化层可以有效提取图像中的局部特征，并具有平移不变性。在CNN-LSTM-Attention模型中，CNN负责提取输入数据的空间特征，如图像中的纹理、形状等信息。

长短期记忆神经网络（LSTM）：
LSTM适用于处理时间序列数据，能够捕捉数据中的长期依赖关系，并且具有记忆单元来处理序列数据的记忆和遗忘。在CNN-LSTM-Attention模型中，LSTM负责对时间序列特征进行建模，如文本数据中的语义、句子顺序等信息。

注意力机制（Attention）：
注意力机制允许模型动态地聚焦于输入的不同部分，从而提高模型对关键信息的关注程度。在CNN-LSTM-Attention模型中，注意力机制可以帮助模型在处理复杂数据时更好地选择关键特征，提高模型的表现能力。

通过整合CNN、LSTM和注意力机制，CNN-LSTM-Attention混合神经网络可以同时处理空间特征和时间序列特征，适用于视频分析、自然语言处理等领域，能够更全面地理解和利用数据的多种特征，从而提高模型的性能和泛化能力。

部分网络搭建代码：

lgraph = layerGraph();                                                 % 建立空白网络结构

tempLayers = [
    sequenceInputLayer([f_, 1, 1], "Name", "sequence")                 % 建立输入层，输入数据结构为[f_, 1, 1]
    sequenceFoldingLayer("Name", "seqfold")];                          % 建立序列折叠层
lgraph = addLayers(lgraph, tempLayers);                                % 将上述网络结构加入空白结构中

tempLayers = convolution2dLayer([1, 1], 32, "Name", "conv_1");         % 卷积层 卷积核[1, 1] 步长[1, 1] 通道数 32
lgraph = addLayers(lgraph,tempLayers);                                 % 将上述网络结构加入空白结构中
 
tempLayers = [
    reluLayer("Name", "relu_1")                                        % 激活层
    convolution2dLayer([1, 1], 64, "Name", "conv_2")                   % 卷积层 卷积核[1, 1] 步长[1, 1] 通道数 64
    reluLayer("Name", "relu_2")];                                      % 激活层
lgraph = addLayers(lgraph, tempLayers);                                % 将上述网络结构加入空白结构中