基于Transformer-BiGRU、Transformer、CNN-BiGRU、BiGRU、CNN五模型单变量时序预测一键对比Matlab代码
✅作者简介：热爱科研的Matlab仿真开发者，擅长毕业设计辅导、数学建模、数据处理、建模仿真、程序设计、完整代码获取、论文复现及科研仿真。
👇 关注我领取海量matlab电子书和数学建模资料
🍊个人信条：格物致知,完整Matlab代码获取及仿真咨询内容私信。
🔥 内容介绍
单变量时间序列预测的重要性与挑战
- 重要性
：单变量时间序列预测在众多领域都扮演着关键角色。在金融领域，预测股票价格、汇率等单变量时间序列，能帮助投资者做出决策，管理风险。在工业生产中，对设备运行参数（如温度、压力等单变量）的预测，有助于提前进行设备维护，保障生产连续性。在能源领域，预测电力负荷等单变量时间序列，可优化发电调度，提高能源利用效率。
- 挑战
：尽管是单变量，但时间序列往往具有复杂的特性。它可能包含趋势性，如经济数据随时间的长期增长或下降趋势；季节性，像电力负荷在夏季和冬季的周期性变化；以及噪声，这些噪声可能掩盖时间序列的真实模式，增加预测难度。此外，时间序列还可能存在自相关性，即当前时刻的值与过去时刻的值相关，准确捕捉这种自相关性对预测至关重要。
Transformer 模型
- 核心机制 - 自注意力机制
：Transformer 模型以自注意力机制为核心，该机制允许模型在处理序列时，动态计算每个位置与其他位置之间的关联程度，从而有效捕捉长序列中的依赖关系。具体而言，自注意力机制通过计算查询（Query）、键（Key）和值（Value）之间的注意力分数，得到加权后的特征表示。多头自注意力机制进一步增强了模型的能力，通过多个头并行计算不同的注意力表示，能捕捉到更丰富的特征信息。例如，在处理时间序列时，Transformer 可以关注到不同时间步之间的远距离依赖关系，即使时间跨度较大，也能准确捕捉到关键信息。
- 在单变量时序预测中的优势
：Transformer 能够处理长序列数据而不受梯度消失或梯度爆炸问题的困扰，这使得它在捕捉时间序列的长期趋势和复杂模式方面表现出色。它可以自动学习到时间序列中不同时间步的重要性权重，对于具有复杂依赖关系的单变量时间序列，能够提供更全面和准确的特征表示，从而提升预测性能。
BiGRU（双向门控循环单元）
- 结构与原理
：BiGRU 是基于门控循环单元（GRU）的双向结构。GRU 通过更新门和重置门来控制信息的流动，解决了传统循环神经网络（RNN）中的梯度消失问题。BiGRU 由两个 GRU 组成，一个按顺序处理输入序列（正向），另一个按逆序处理（反向）。这种双向结构使得 BiGRU 能够同时捕捉序列中的前向和后向信息，更好地学习时间序列中的上下文依赖关系。例如，在预测单变量时间序列时，它可以同时利用过去和未来的信息来预测当前值，从而更准确地捕捉时间序列的变化趋势。
- 单变量时序预测的适用性
：BiGRU 对于处理具有局部时间依赖特性的单变量时间序列非常有效。它能够学习到时间序列中短期的模式和变化，对于捕捉时间序列中的季节性和周期性变化具有较好的效果。通过双向结构，它可以充分利用前后的信息，提高对时间序列的理解和预测能力。
CNN（卷积神经网络）
- 卷积与池化操作
：CNN 最初主要应用于图像识别领域，其核心操作是卷积和池化。卷积层通过卷积核在数据上滑动，进行卷积操作，提取局部特征。不同的卷积核可以捕捉到不同的局部模式。池化层则对卷积层的输出进行降采样，减少数据维度的同时保留重要特征，降低计算量。例如，在处理图像时，卷积核可以提取图像中的边缘、纹理等特征，池化层可以压缩图像尺寸。
- 在单变量时序预测中的应用
：在单变量时间序列预测中，CNN 可以将时间序列看作一维数据，通过卷积操作捕捉时间序列中的局部模式和特征。卷积核的大小和步长可以根据时间序列的特点进行调整，以提取不同时间尺度的信息。例如，较小的卷积核可以捕捉到短期的局部变化，较大的卷积核可以捕捉到较长时间范围内的模式。池化操作则可以对提取到的特征进行筛选和压缩，突出重要特征，提高预测效率。
Transformer - BiGRU 组合模型
- 优势互补
：Transformer - BiGRU 模型结合了 Transformer 和 BiGRU 的优势。Transformer 擅长捕捉长序列依赖和全局特征，能够处理时间序列中的长期趋势和复杂模式；BiGRU 则在捕捉局部时间依赖和短期特征方面表现出色。通过结合两者，该模型既能处理单变量时间序列中的长期依赖关系，又能关注到短期的局部变化模式。例如，在预测电力负荷的单变量时间序列中，Transformer 可以捕捉到长期的用电趋势，BiGRU 可以聚焦于短时间内负荷的快速变化和局部依赖关系，从而提高预测的准确性。
- 综合性能提升
：这种组合模型在处理复杂的单变量时间序列时，能够充分利用两种模型的优点，提供更全面的特征表示。Transformer 的自注意力机制可以捕捉到时间序列中的远距离依赖关系，BiGRU 的双向结构可以增强对局部上下文的理解，两者结合可以在不同时间尺度上对时间序列进行分析和预测，提升整体预测性能。
CNN - BiGRU 组合模型
- 特征提取与时间依赖捕捉
：CNN - BiGRU 模型结合了 CNN 的局部特征提取能力和 BiGRU 的时间依赖捕捉能力。CNN 通过卷积和池化操作提取单变量时间序列中的局部特征，将这些特征输入到 BiGRU 中。BiGRU 可以进一步学习这些特征之间的时间依赖关系，从而更好地预测未来值。例如，在预测股票价格的单变量时间序列中，CNN 可以提取价格波动的局部模式，BiGRU 可以根据这些模式以及时间上的前后关系进行预测。
- 增强预测能力
：这种组合模型能够充分发挥 CNN 和 BiGRU 的优势，在处理单变量时间序列时，既能够有效地提取局部特征，又能够捕捉时间序列的动态变化。CNN 提取的特征为 BiGRU 提供了更丰富的信息，BiGRU 则对这些特征进行时间序列上的建模，使得模型能够更好地适应单变量时间序列的复杂性，提高预测的准确性。
一键对比的意义
- 模型性能评估
：通过对 Transformer - BiGRU、Transformer、CNN - BiGRU、BiGRU、CNN 这五个模型进行一键对比，可以快速、直观地评估不同模型在单变量时序预测任务中的性能。可以比较它们的预测准确率、均方误差、平均绝对误差等指标，了解每个模型在捕捉时间序列特征、处理不同类型数据方面的优缺点。
- 模型选择与优化
：一键对比有助于根据具体的单变量时间序列数据特点和应用需求，选择最合适的模型。如果数据具有明显的长期依赖关系，Transformer 或 Transformer - BiGRU 可能更合适；如果数据主要表现为局部时间依赖和短期变化，BiGRU 或 CNN - BiGRU 可能更有效。同时，对比结果还可以为模型的进一步优化提供参考，例如调整模型参数、改进结构等，以提高预测性能。这种一键对比方式提高了模型选择和优化的效率，使得预测模型能够更好地适应不同的单变量时间序列预测任务。
⛳️ 运行结果
📣 部分代码
🔗 参考文献
[1] Abburi R , Hatai I , Jaros R ,et al.Adopting artificial intelligence algorithms for remote fetal heart rate monitoring and classification using wearable fetal phonocardiography[J].Applied Soft Computing, 2024, 165:112049.DOI:10.1016/j.asoc.2024.112049.
🌿 往期回顾可以关注主页，点击搜索