回归预测 | MATLAB实现CNN-BiLSTM-Attention多输入单输出回归预测

预测效果

基本介绍

一、方法概述
CNN-BiLSTM-Attention多输入单输出回归预测方法旨在通过融合CNN的局部特征提取能力、BiLSTM的序列建模能力以及注意力机制的特征权重分配能力，实现对多输入特征的单输出回归预测。该方法适用于具有复杂特征依赖关系和时序特性的数据集。

二、模型组成
卷积神经网络（CNN）：
主要用于提取输入数据的局部特征。
通过多层卷积和池化操作，CNN可以有效地学习不同层次的特征表示，并降低数据的维度。
双向长短期记忆网络（BiLSTM）：
用于处理具有时序特性的数据。
BiLSTM能够捕捉数据中的长期依赖关系，并学习前后文信息，从而提高模型的预测精度。
注意力机制（Attention）：
赋予不同特征不同的权重，从而突出关键特征并抑制不重要的特征。
在本模型中，注意力机制用于融合CNN和BiLSTM的输出特征，并根据特征的重要性进行加权平均，以提高模型对关键信息的关注度。
三、模型实现步骤
数据预处理：
对输入数据进行归一化、去噪等预处理操作。
将数据划分为训练集和测试集。
模型构建：
构建CNN模块以提取输入数据的局部特征。
构建BiLSTM模块以捕捉数据中的时序特性。
引入注意力机制以融合CNN和BiLSTM的输出特征，并生成加权后的综合特征。
构建输出层以生成回归预测结果。
模型训练：
设置训练参数，如优化算法、最大训练次数、学习率等。
使用训练集数据对模型进行训练，并监控训练过程中的损失函数和评价指标。
模型评估：
使用测试集数据对训练好的模型进行评估。
计算并输出评价指标，如R²、MAE、MAPE、MSE等，以评估模型的预测性能。

程序设计

• 完整代码：MATLAB实现CNN-BiLSTM-Attention多输入单输出回归预测

%%  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  

%% 导入数据
data =  readmatrix('day.csv');
data = data(:,3:16);
res=data(randperm(size(data,1)),:);    %此行代码用于打乱原始样本，使训练集测试集随机被抽取，有助于更新预测结果。
num_samples = size(res,1);   %样本个数


% 训练集和测试集划分
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


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

for i = 1:size(P_train,2)
    trainD{i,:} = (reshape(p_train(:,i),size(p_train,1),1,1));
end

for i = 1:size(p_test,2)
    testD{i,:} = (reshape(p_test(:,i),size(p_test,1),1,1));
end


targetD =  t_train;
targetD_test  =  t_test;

numFeatures = size(p_train,1);


layers0 = [ ...

参考资料

[1] https://blog.csdn.net/kjm13182345320/article/details/128267322?spm=1001.2014.3001.5501
[2] https://blog.csdn.net/kjm13182345320/article/details/128234920?spm=1001.2014.3001.5501