CNN-LSTM-Attention CNN-BiLSTM-Attention CNN-GRU-Attention 基于卷积神经网络-长短期记忆网络结合注意力机制的多变量/时间序列预测 Matlab语言 0.联系三个都发 1.多特征输入，单输出，可实现回归预测或超前预测，Matlab版本要在2020B及以上。 2.特点： [1]卷积神经网络 (CNN)：捕捉数据中的局部模式和特征。 [2]长短期记忆网络 (LSTM)：处理数据捕捉长期依赖关系。 [3]注意力机制：为模型提供了对关键信息的聚焦能力，从而提高预测的准确度。 3.直接替换Excel数据即可用，注释清晰，适合新手小白 4.附赠测试数据，输入格式如图2所示，可直接运行 5.模型只是提供一个衡量数据集精度的方法，因此无法保证替换数据就一定得到您满意的结果
嘿，各位小伙伴！今天咱来聊聊基于卷积神经网络 - 长短期记忆网络结合注意力机制的多变量/时间序列预测，而且是用 Matlab 语言实现哦，Matlab 版本得在 2020B 及以上哈。
模型简介
1. CNN - LSTM - Attention
- CNN（卷积神经网络）：它就像是一个数据“侦察兵”，能够敏锐地捕捉数据中的局部模式和特征。比如说，在时间序列数据里，它可以发现那些短期内呈现的特定规律。
- LSTM（长短期记忆网络）：专门用来处理数据中的长期依赖关系。时间序列数据往往有着过去信息影响未来的特性，LSTM 就能很好地记住这些长期依赖，不会像普通 RNN 那样容易“忘事”。
- 注意力机制：这可是个厉害的玩意儿，它赋予模型聚焦关键信息的能力。就好比你在看书，注意力机制能帮你一下子抓住重点段落，从而大大提高预测的准确度。
2. CNN - BiLSTM - Attention
和 CNN - LSTM - Attention 类似，只不过这里的 LSTM 换成了 BiLSTM（双向长短期记忆网络）。BiLSTM 不仅能像 LSTM 那样从前往后处理数据，还能从后往前处理，这样就能更全面地捕捉数据中的信息啦。
3. CNN - GRU - Attention
GRU（门控循环单元）是 LSTM 的“精简版”，它在保持处理长期依赖能力的同时，结构更简单，计算量也相对较小。结合 CNN 和注意力机制后，同样能在时间序列预测中发挥出色。
模型特点总结
- 多特征输入，单输出：可以实现回归预测或者超前预测，非常实用。想象一下，你有一堆不同的特征数据，比如天气的温度、湿度、气压等，最后要预测未来某一时刻的温度，这就是多特征输入单输出的场景。
- 直接替换 Excel 数据即可用，注释清晰，适合新手小白：咱这个模型对新手超友好的，你只要把自己的数据整理成 Excel 格式，直接替换就行，代码里注释也都写得明明白白。
- 附赠测试数据，输入格式如图 2 所示，可直接运行：为了方便大家上手，还送了测试数据，按照给定的输入格式，一键运行就能看到效果啦。不过得注意哦，模型只是提供一个衡量数据集精度的方法，无法保证替换数据就一定得到您满意的结果，毕竟不同的数据特性不一样嘛。
代码示例与分析（以 CNN - LSTM - Attention 为例）
数据预处理部分
% 加载数据，假设数据保存在 data.xlsx 文件中 data = readtable('data.xlsx'); % 将表格数据转换为数值矩阵 data = table2array(data); % 划分训练集和测试集，这里简单地按照 80% 训练，20% 测试划分 trainRatio = 0.8; trainSize = floor(size(data, 1) * trainRatio); trainData = data(1:trainSize, :); testData = data(trainSize + 1:end, :); % 归一化数据，这里使用最大最小归一化 minVals = min(trainData); maxVals = max(trainData); normTrainData = (trainData - repmat(minVals, size(trainData, 1), 1))./(repmat(maxVals - minVals, size(trainData, 1), 1)); normTestData = (testData - repmat(minVals, size(testData, 1), 1))./(repmat(maxVals - minVals, size(testData, 1), 1));代码分析：首先从 Excel 文件读取数据并转换为数值矩阵。然后按照设定的比例划分训练集和测试集。最后对数据进行归一化处理，这样能让模型训练得更好，避免某些特征因为数值范围过大而主导训练过程。
构建 CNN - LSTM - Attention 模型
inputSize = size(normTrainData, 2) - 1; % 输入特征数量，最后一列是目标值 outputSize = 1; % 单输出 layers = [ sequenceInputLayer(inputSize) % 序列输入层 convolution1dLayer(3, 16, 'Padding', 'same') % 1D 卷积层，3 个卷积核，16 个滤波器，same 填充保证输出尺寸不变 batchNormalizationLayer % 批归一化层，加速训练 reluLayer % ReLU 激活函数 maxPooling1dLayer(2) % 最大池化层，下采样 bilstmLayer(32, 'OutputMode', 'last') % BiLSTM 层，32 个隐藏单元，输出最后一个时间步 attentionLayer % 注意力层 fullyConnectedLayer(outputSize) % 全连接层 regressionLayer]; % 回归层，用于回归预测代码分析：先定义输入和输出的尺寸。然后开始搭建模型，sequenceInputLayer 接收序列数据，卷积层捕捉局部特征，批归一化和 ReLU 层配合提升模型性能，最大池化层进行下采样减少数据量。BiLSTM 层处理长期依赖，注意力层聚焦关键信息，最后通过全连接层和回归层得到预测结果。
训练模型
options = trainingOptions('adam',... 'MaxEpochs', 100,... 'InitialLearnRate', 0.001,... 'ValidationData', {normTestData(:, 1:end - 1), normTestData(:, end)},... 'ValidationFrequency', 10,... 'Verbose', false,... 'Plots', 'training-progress'); net = trainNetwork(normTrainData(:, 1:end - 1), normTrainData(:, end), layers, options);代码分析：这里使用 Adam 优化器，设置最大训练轮数为 100，初始学习率 0.001 。将测试数据作为验证集，每 10 轮验证一次。训练模型并保存训练好的网络。
模型预测与评估
predicted = predict(net, normTestData(:, 1:end - 1)); % 反归一化预测结果 predicted = predicted.* (maxVals(end) - minVals(end)) + minVals(end); testTarget = testData(:, end); % 计算均方误差 mse = mean((predicted - testTarget).^2);代码分析：用训练好的模型对测试数据进行预测，然后对预测结果反归一化恢复到原始数据范围。最后计算预测值和真实值之间的均方误差来评估模型性能。
CNN - BiLSTM - Attention 和 CNN - GRU - Attention 的实现思路和这个类似，主要区别在于把 BiLSTM 层或者 GRU 层替换相应的部分就行啦。感兴趣的小伙伴可以自己动手试试，在时间序列预测的世界里畅游一番！希望这篇博文能对大家有所帮助哦。
)
