该 MATLAB 代码实现了一个基于 CNN-GRU-Attention 时序和空间特征结合-融合注意力机制混合神经网络模型的风速预测。以下是对代码的简要分析：

---

一、主要功能

该代码用于风速时间序列预测，使用历史风速特征数据（18个特征，75天，每小时一个样本）训练一个深度学习模型，并预测未来24小时的风速值。

---

二、算法步骤

1. 数据导入与预处理：

   • 从Excel文件中读取特征数据和实际风速值。
   • 将数据重塑为4-D格式（特征维度 × 时间步长 × 通道数 × 天数）。
   • 转换为cell数组以便用于序列训练。

2. 训练/测试集划分：

   • 训练输入（XTrain）：第1–73天的特征。
   • 训练输出（YTrain）：第2–74天的实际风速。
   • 测试输入（XTest）：第74天的特征。
   • 测试输出（YTest）：第75天的实际风速。

3. 网络结构搭建（CNN-GRU-Attention）：

   • 输入层：接收18×24×1的序列。
   • 卷积层（Conv2D）：32个3×3卷积核，Padding=‘same’。
   • 批归一化层（BatchNormalization）。
   • ReLU激活层。
   • 最大池化层（MaxPooling2D）：3×3池化窗口。
   • 展平层（Flatten）。
   • GRU层：50个隐藏单元。
   • 自注意力层（Self-Attention）：1个头，50维。
   • 全连接层（FullyConnected）：输出24个节点（对应24小时预测）。
   • 回归输出层（RegressionOutput）。

4. 训练设置：

   • 使用SGDM优化器。
   • 最大训练轮数：300。
   • 初始学习率：0.01（不衰减）。
   • 训练环境：CPU。
   • 每批次样本数：15。
   • 序列长度：24。

5. 训练与评估：

   • 训练网络并绘制训练进度。
   • 可视化卷积层的特征图。
   • 对测试集进行预测，计算误差指标（SSE, MAE, MSE, RMSE, MAPE, R）。
   • 绘制预测值与真实值对比图。

---

三、技术路线

• 数据处理：时间序列数据按天组织，每个样本为24小时。
• 模型架构：
  • CNN用于提取局部空间特征。
  • GRU用于捕捉时间依赖关系。
  • Self-Attention机制增强关键时间步的表示。
• 训练策略：使用回归任务常用的均方误差（MSE）作为损失函数。
• 评估指标：多角度误差评估 + 相关性分析。

---

四、参数设定

参数	值/类型	说明
优化器	SGDM	带动量的随机梯度下降
MaxEpochs	300	最大训练轮数
LearnRate	0.01	初始学习率
MiniBatchSize	15	每批样本数
SequenceLength	24	序列长度（小时）
GRU单元数	50	L层隐藏单元数
卷积核数量	32	卷积层输出通道数
注意力头数	1	自注意力机制头数

---

五、运行环境

• 软件环境：MATLAB（需安装 Deep Learning Toolbox）
• 硬件环境：CPU（代码中指定 ExecutionEnvironment 为 'cpu'）
• 数据格式：Excel文件（需包含18行特征和1行实际值）

---

代码分享

CNN-GRU-Attention多变量多步预测超前24步
%% 清除内存、清除屏幕
clc
clear%% 导入特征数据、当天的风速数据
data = xlsread('特征序列及实际值.xlsx');
Features   = data(1:18,:);                             %% 特征输入  ：75天，每天24小时，每小时一个采样点，共计75*24=1800小时，18个特征数据
Wind_data  = data(19,:);                               %% 实际值输出：75天，每天24小时，每小时一个采样点，共计75*24=1800小时的风速数据%% 数据信息%%  数据平铺为4-D
LP_Features =  double(reshape(Features,18,24,1,75));   %% 特征数据格式为18*24*1*75，分别对应18特征24小时，75天
LP_WindData  = double(reshape(Wind_data,24,1,1,75));   %% 实际数据格式为24*1*1*75 ，分别对应24小时，75天%% 格式转换为cell
NumDays  = 75;                                         %% 数据总天数为 75天
for i=1:NumDaysFeaturesData{1,i} = LP_Features(:,:,1,i);
endfor i=1:NumDaysRealData{1,i} = LP_WindData(:,:,1,i);
end%% 划分数据
XTrain = FeaturesData(:,1:73);                         %% 训练集输入为 1-73   天的特征
YTrain = RealData(:,2:74);                             %% 训练集输出为 2-74天 的实际值                XTest  = cell2mat(FeaturesData(: , 74));               %% 测试集输入第  74    天的特征
Ytest  = cell2mat(RealData(: , 75));                   %% 测试集输出为第 75天 的实际值%% CNN-GRU-Attention网络搭建
layers = [sequenceInputLayer([18 24 1],"Name","sequence")convolution2dLayer([3 3],32,"Name","conv","Padding","same")batchNormalizationLayer("Name","batchnorm")reluLayer("Name","relu")maxPooling2dLayer([3 3],"Name","maxpool","Padding","same")flattenLayer("Name","flatten")gruLayer(50,"Name","gru")selfAttentionLayer(1,50,"Name","selfattention")fullyConnectedLayer(24,"Name","fc")regressionLayer("Name","regressionoutput")];%% 参数设置
options = trainingOptions('sgdm', ...   % SGDM 梯度下降算法'MaxEpochs',300, ...                % 最大训练次数 300'GradientThreshold',1,...           % 渐变的正阈值 1'ExecutionEnvironment','cpu',...    % 网络的执行环境 cpu'InitialLearnRate',0.01,...         % 初始学习率 0.01'LearnRateSchedule','none',...      % 训练期间降低整体学习率的方法 不降低'Shuffle','every-epoch',...         % 每次训练打乱数据集'SequenceLength',24,...             % 序列长度 24'Plots','training-progress',...     % 画出训练曲线'MiniBatchSize',15,...              % 训练批次大小 每次训练样本个数15'Verbose',0);                       % 有关训练进度的信息不打印到命令窗口中
analyzeNetwork(layers);                 % 分析网络结构
%% 训练网络
net = trainNetwork(XTrain,YTrain,layers,options);%% 绘制某层的特征图，实现特征可视化
%激活某一层
LayersNeed = activations(net,XTrain,'conv','OutputAs','channels');% flatten层的特征%%  画图
numNeed = 3   ;  %按需要取几张特征图
for i = 1:numNeed    
LayersFeature = reshape(cell2mat(LayersNeed(1,:)),18,24,32,[]); %根据analyzeNetwork分析结果，构造合适尺寸的特征图
axes1 = axes('Parent',figure);
hold(axes1,'on');
image(LayersFeature(:,:,i),'Parent',axes1,'CDataMapping','scaled');
colormap(hsv)
xlim([0, size(LayersFeature,2)]);% 限制坐标轴
ylim([0, size(LayersFeature,1)]);% 限制坐标轴
end%% 步骤5：测试与评估
YPredicted = net.predict(XTest);                       %% 计算误差
% 过程
error2 = YPredicted-Ytest;            % 测试值和真实值的误差  
[~,len]=size(Ytest);                  % len获取测试样本个数，数值等于testNum，用于求各指标平均值
SSE1=sum(error2.^2);                  % 误差平方和
MAE1=sum(abs(error2))/len;            % 平均绝对误差
MSE1=error2*error2'/len;              % 均方误差
RMSE1=MSE1^(1/2);                     % 均方根误差
MAPE1=mean(abs(error2./mean(Ytest))); % 平均百分比误差
r=corrcoef(Ytest,YPredicted);         % corrcoef计算相关系数矩阵，包括自相关和互相关系数
R1=r(1,2); %% 绘图
figure
plot(Ytest,'m-*','LineWidth',2);
hold on
plot(YPredicted,'c-o','LineWidth',2);
legend('真实值','预测值');
xlabel('预测样本');
ylabel('预测结果');
string={'测试集预测结果对比';['MAPE=' num2str(MAPE1)]};
title(string)
grid