当前位置：首页 > news >正文

Transformer+BO-SVM多变量时间序列预测（Matlab）

news 2025/7/2 14:34:21

Transformer+BO-SVM多变量时间序列预测（Matlab）

效果一览

在这里插入图片描述

基本介绍

本期推出一期高创新模型，基于Transformer提取时序特征后输入SVM之中预测，同时采用贝叶斯算法选择最佳的SVM核函数参数c和g，模型支撑风电预测、光伏预测、交通预测、股票预测等领域，先用先发，不要犹豫！

1.Transformer+BO-SVM多变量时间序列预测，Transformer+BO-SVM/Bayes-SVM（程序可以作为论文创新支撑，目前尚未发表）；

2.Transformer提取特征后，贝叶斯算法选择最佳的SVM核函数参数c和g，运行环境为Matlab2023b及以上；

3.data为数据集，输入多个变量，输出单个变量，考虑历史特征的影响，main.m为主程序，运行即可,所有文件放在一个文件夹；

4.命令窗口输出R2、MSE、RMSE、MAE、MAPE、MBE等多指标评价；

在这里插入图片描述

程序设计

完整程序和数据获取方式私信博主回复Transformer+BO-SVM多变量时间序列预测（Matlab）。



%%  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



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);

%%  仿真预测
[t_sim1, error_1] = svmpredict(t_train, p_train, model);
[t_sim2, error_2] = svmpredict(t_test , p_test , model);

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

T_sim1 = T_sim1';
T_sim2 = T_sim2';

%% 测试集结果
figure;
plotregression(T_test,T_sim2,['回归图']);
figure;
ploterrhist(T_test-T_sim2,['误差直方图']);

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

%%
%决定系数
R1 = 1 - norm(T_train - T_sim1)^2 / norm(T_train - mean(T_train))^2;
R2 = 1 - norm(T_test -  T_sim2)^2 / norm(T_test -  mean(T_test ))^2;

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

%%
%RPD 剩余预测残差
SE1=std(T_sim1-T_train);
RPD1=std(T_train)/SE1;

SE=std(T_sim2-T_test);
RPD2=std(T_test)/SE;

%% 平均绝对误差MAE
MAE1 = mean(abs(T_train - T_sim1));
MAE2 = mean(abs(T_test - T_sim2));

% MBE
MBE1 = sum(T_sim1 - T_train) ./ M ;
MBE2 = sum(T_sim2 - T_test ) ./ N ;

%% 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));