TCNBiGRU_0">时序预测 | MATLAB实现TCN-BIGRU.html" title=TCN-BiGRU>TCN-BiGRU时间卷积双向门控循环单元时间序列预测
预测效果
基本介绍
1.MATLAB实现TCN-BIGRU.html" title=TCN-BiGRU>TCN-BiGRU时间卷积双向门控循环单元时间序列预测；
2.运行环境为Matlab2021b；
3.输入多个特征，输出单个变量，多变量回归预测；
4.data为数据集，excel数据，前7列输入，最后1列输出，MainTCN_BiGRUTS.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R2、MSE、RMSE、MAE、MAPE多指标评价；
TCN 模型通过一维因果卷积对过去的数据进行提取，保证时序性，残差连接加快收敛速度，扩张卷积实现时序特征提取。BiGRU模型作为循环神经网络的变种，具有非线性拟合能力，能够有效提取数据特征，且在保障得到与LSTM 相近预测效果的同时获得更快的收敛速度。文中将两者结合搭建了TCN-BIGRU.html" title=TCN-BiGRU>TCN-BiGRU模型。
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
BiGRU 网络具有强大的时序预测能力，将TCN 和BiGRU网络结合，通过TCN 特征提取后输入至BiGRU 网络，提高了BiGRU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-BIGRU.html" title=TCN-BiGRU>TCN-BiGRU预测模型。
TCN-BIGRU.html" title=TCN-BiGRU>TCN-BiGRU是一种将时间卷积神经网络（TCN）和双向门控循环单元（BiGRU）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。BiGRU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-BIGRU.html" title=TCN-BiGRU>TCN-BiGRU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-BIGRU.html" title=TCN-BiGRU>TCN-BiGRU中，时间卷积层用于捕捉序列中的长期依赖关系，BiGRU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-BIGRU.html" title=TCN-BiGRU>TCN-BiGRU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-BIGRU.html" title=TCN-BiGRU>TCN-BiGRU模型在时间序列预测问题上表现良好，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
%% 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)])
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
