时序预测 | MATLAB实现TCN-LSTM时间卷积长短期记忆神经网络时间序列预测

时序预测 | MATLAB实现TCN-LSTM时间卷积长短期记忆神经网络时间序列预测

预测效果

基本介绍

1.MATLAB实现TCN-LSTM时间卷积长短期记忆神经网络时间序列预测；
2.运行环境为Matlab2021b；
3.单变量时间序列预测；
4.data为数据集，excel数据，MainTCN_LSTMTS.m为主程序，运行即可,所有文件放在一个文件夹；
5.命令窗口输出RMSE、MAE、MAPE多指标评价。

模型描述

由于TCN 具有扩张因果卷积结构，拥有突出的特征提取能力，因此可对原始特征进行融合获得高维的抽象特征，加强了对特征信息的挖掘。而
LSTM 网络具有强大的时序预测能力，将TCN 和LSTM 网络结合，通过TCN 特征提取后输入至LSTM 网络，提高了LSTM 网络记忆单元的处理效
率，使得预测模型更有效地学习时间序列的复杂交互关系。因此，本文搭建了TCN-LSTM 预测模型。

TCN-LSTM是一种将时间卷积神经网络（TCN）和长短期记忆神经网络（LSTM）结合在一起的神经网络模型。TCN是一种能够处理序列数据的卷积神经网络，它能够捕捉到序列中的长期依赖关系。LSTM则是一种具有记忆单元的递归神经网络，它能够处理序列数据中的短期和长期依赖。
TCN-LSTM模型的输入可以是多个序列，每个序列可以是不同的特征或变量。例如，如果我们想预测某个城市未来一周的平均温度，我们可以将过去一段时间内的温度、湿度、气压等多个变量作为输入序列。模型的输出是一个值，即未来某个时间点的平均温度。
在TCN-LSTM中，时间卷积层用于捕捉序列中的长期依赖关系，LSTM层用于处理序列中的短期和长期依赖。多个输入序列被合并成一个张量，然后送入TCN-LSTM网络进行训练。在训练过程中，模型优化目标是最小化预测输出与真实值之间的差距。
TCN-LSTM模型在时间序列预测和回归问题上表现良好，特别是对于长期依赖的序列数据。它可以被用于许多应用场景，例如股票价格预测、交通流量预测等。

程序设计

• 完整源码和数据获取方式：私信博主回复MATLAB实现TCN-LSTM时间卷积长短期记忆神经网络时间序列预测；

%% 预测
t_sim1 = predict(net, p_train); 
t_sim2 = predict(net, p_test ); 

%%  数据反归一化
T_sim1 = mapminmax('reverse', t_sim1, ps_output);
T_sim2 = mapminmax('reverse', t_sim2, ps_output);

%%  均方根误差
error1 = sqrt(sum((T_sim1' - T_train).^2) ./ M);
error2 = sqrt(sum((T_sim2' - T_test ).^2) ./ N);


%%  相关指标计算

%  MAE
mae1 = sum(abs(T_sim1' - T_train)) ./ M ;
mae2 = sum(abs(T_sim2' - T_test )) ./ N ;

disp(['训练集数据的MAE为：', num2str(mae1)])
disp(['测试集数据的MAE为：', num2str(mae2)])

%% 平均绝对百分比误差MAPE
MAPE1 = mean(abs((T_train - T_sim1')./T_train));
MAPE2 = mean(abs((T_test - T_sim2')./T_test));

disp(['训练集数据的MAPE为：', num2str(MAPE1)])
disp(['测试集数据的MAPE为：', num2str(MAPE2)])

%  MBE
mbe1 = sum(abs(T_sim1' - T_train)) ./ M ;
mbe2 = sum(abs(T_sim1' - T_train)) ./ N ;

disp(['训练集数据的MBE为：', num2str(mbe1)])
disp(['测试集数据的MBE为：', num2str(mbe2)])

%均方误差 MSE
mse1 = sum((T_sim1' - T_train).^2)./M;
mse2 = sum((T_sim2' - T_test).^2)./N;

disp(['训练集数据的MSE为：', num2str(mse1)])
disp(['测试集数据的MSE为：', num2str(mse2)])

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43

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