今天为大家带来一期CNN-LSTM-Attention时间序列递归预测未来数据 代码，独家原创！传统的时间序列预测大家都不知道怎么预测未来值，这里直接提供代码！适合作为创新点！直接替换Excel数据即可用！具体代码已放在最后，需要代码的朋友可直接拉到最后~

代码平台

      Matlab

数据格式

对于时间序列数据，只需输入除时间外的一列数据即可，如图所示！如果想要换数据，直接替换Excel中的B列即可！

效果展示

为了方便大家设置预测未来多少步长，这边直接更改变量即可！已用红框标出！

网络结构图：

部分代码展示

%%  导入数据（时间序列的单列数据）
result = xlsread('数据集.xlsx');
​
%%  数据分析
num_samples = length(result);   % 样本个数 
kim =  12;                      % 延时步长（kim个历史数据作为自变量）
zim =   1;                      % 预测未来多少数据（跨zim个时间点进行预测）
ST  = 100;                      % 递归预测未来多少数据
​
%%  划分数据集
for i = 1: num_samples - kim - zim + 1
    res(i, :) = [reshape(result(i: i + kim - 1), 1, kim), result(i + kim + zim - 1)];
end
​
%%  数据集分析
outdim = 1;                                  % 最后一列为输出
num_size = 0.7;                              % 训练集占数据集比例
num_train_s = round(num_size * num_samples); % 训练集样本个数
f_ = size(res, 2) - outdim;                  % 输入特征维度
​
%%  划分训练集和测试集
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);
​
%%  数据平铺
%   将数据平铺成1维数据只是一种处理方式
%   也可以平铺成2维数据，以及3维数据，需要修改对应模型结构
%   但是应该始终和输入层数据结构保持一致
P_train =  double(reshape(P_train, f_, 1, 1, M));
P_test  =  double(reshape(P_test , f_, 1, 1, N));
​
t_train = t_train';
t_test  = t_test' ;

​