声明：文章是从本人公众号中复制而来，因此，想最新最快了解各类智能优化算法及其改进的朋友，可关注我的公众号：强盛机器学习，不定期会有很多免费代码分享~

目录

原理简介

数据介绍

结果展示

完整代码

---

今天给小伙伴带来一期利用Matlab实现Transformer预测的代码。以往Transformer等模型只能在Python中实现，但是Python需要配置环境，且不同版本差异较大，难以直接在电脑上运行，非常不适合新手小白。同时，部分Python代码非常混乱，使用的库也不统一，真假难辨。

相比于传统LSTM、GRU等模型，Transformer模型也更加新颖，容易受到审稿人的喜爱。因此，本期推出Matlab版本的Transformer预测模型，代码非常清晰易懂，也跟以前的形式一样，直接Excel替换数据即可！无需更改代码！

原理简介

Transformer是2017年由Google团队针对机器翻译任务所提出来的模型，它没有采用卷积神经网络或者循环神经网络的结构，而是一个完全基于自注意力机制的模型，主要结构为位置编码、编码器、解码器和前馈网络。其优势就是高度并行化提高计算效率，可以捕获长时间依赖关系，更好地解决长时依赖问题。

Transformer主要由3个部分组成：位置嵌入模块、多头注意力模块和前馈网络模块。为增强长序列中的位置信息，需引入位置嵌入机制，位置编码方程定义为：

式中d为节点负荷的嵌入大小，i为第i个时间步长。自注意力网络的输入需加入位置编码变量：

式中：Et∈R^T×d表示单个节点负荷信息。随后使用线性变换矩阵Wq，Wk，Wv计算Q，K，V，即：

式中：Q和K为查询向量和键向量，用于计算数据间的相关度，V是表征历史数据的值向量。

Transformer的多头注意力机制可突出特征向量间的重点特征，注意力计算公式为：

式中：d为模型维度；h为注意力头数。

数据介绍

本期推文采用的案例数据是2022年1月份的某地光伏功率数据，是一个典型的多变量时间序列数据集。

特征包括气温, 方位角, 云层不透明度, 露点温度, DHI, DNI, GHI, GTI, GTI, 大气可降水量, 相对湿度, 降雪深度, 地面气压, 高度10m风向, 高度10m风速, 天顶角，输出即为实际功率一列。

这边已经帮小伙伴们完成了所有的数据预处理工作，包括缺失值处理、重复值处理等等。同时，由于光伏白天不发电，因此作者已经把功率为0的行都删除了！

更换自己的数据时，只需最后一列放想要预测的列，其余列放特征即可，无需更改代码，非常方便！

结果展示

设置最大训练次数为200次，初始学习率为0.001，最大位置编码长度为256，自注意力机制中的头数为4，每个头的键的通道数为4*32，利用上文2022年1月的光伏功率数据集进行光伏功率预测，得到的结果如下所示：

测试集预测效果图：

训练集预测效果图：

网络结构图：

回归拟合图：

误差直方图：

预测结果显示：

可以看到，Transformer在该光伏功率数据集上的预测精度还是不错的，R2达到了0.999，如果再做几个对比模型，那么文章不就蹭蹭发了吗~

以上结果展示中所有图片，作者都已精心整理过代码，都可以一键运行main直接出图！不信的话可以看下面文件夹截图，非常清晰明了！

适用平台：Matlab2023b及以上，没有的文件夹里已经免费提供安装包，直接下载即可！

完整代码

         点击下方小卡片，再后台回复关键字，不区分大小写：

Transformer

         其他更多需求或想要的代码，均可点击下方小卡片后，再后台私信，看到后会秒回~