Attention-LSTM时序预测，单输入单输出 基于注意力机制attention结合长短期记忆网络LSTM时间序列预测， 单输入单输出模型 MATLAB版本为2020b及其以上 中文注释清晰，非常适合科研小白 评价指标包括:R2、MAE、MSE、RMSE等

时序预测总让人头疼？试试这个能让模型自动"划重点"的Attention-LSTM组合拳。咱们今天用MATLAB实战演练，就算刚入门的同学也能轻松上手。

先看数据准备。假设我们有个温度变化序列，每30分钟采样一次：

% 生成示例数据（替换成真实数据即可）
time = 1:720; % 假设是30天的分钟级数据
temperature = 20 + 5*sin(time/24) + randn(size(time))*0.5;
data = num2cell(temperature'); % 转换为cell格式方便处理

% 划分训练测试集（7:3比例）
trainData = data(1:500);
testData = data(501:end);

接下来是模型的重头戏——自定义注意力层。这里有个小技巧：通过全连接层计算注意力权重

classdef attentionLayer < nnet.layer.Layer
    properties
        Units
    end
    
    methods
        function layer = attentionLayer(units)
            layer.Units = units;
            layer.Name = "attention";
        end
        
        function Z = predict(layer, X)
            % X的维度 [features, timesteps, batch]
            [~, timesteps, batch] = size(X);
            
            % 注意力权重计算
            weights = fullyconnect(X, rand(1, size(X,1)), 'DataFormat','CBT');
            weights = softmax(weights, 'DataFormat','CB');
            
            % 上下文向量生成
            context = sum(X .* reshape(weights,1,timesteps,batch),2);
            Z = context; % 输出维度 [features, 1, batch]
        end
    end
end

模型搭建就像搭积木。注意这个设计：先让LSTM记住长期模式，再用注意力找出关键时间点

inputSize = 1;
numHiddenUnits = 64;

layers = [
    sequenceInputLayer(inputSize)
    lstmLayer(numHiddenUnits,'OutputMode','sequence')
    attentionLayer(32) % 自定义注意力层
    fullyConnectedLayer(1)
    regressionLayer];

options = trainingOptions('adam', ...
    'MaxEpochs',200, ...
    'MiniBatchSize',32, ...
    'Plots','training-progress');

训练过程可能会有点"过山车"，别慌——这是模型在努力学习数据的节奏：

net = trainNetwork(trainData(1:end-1), trainData(2:end), layers, options);

预测阶段要注意维度对齐。这里有个避坑指南：记得用predictAndUpdateState处理连续预测

% 单步预测
net = predictAndUpdateState(net, trainData);
[net, pred] = predict(net, testData(1:end-1), 'SequenceLength',1);

% 可视化对比
plot([cell2mat(testData(2:end))'; pred'], 'LineWidth',1.5)
legend('真实值','预测值')

最后上硬指标，用这些公式给模型打分：

% 评价指标计算
y_true = cell2mat(testData(2:end));
y_pred = cell2mat(pred');

mae = mean(abs(y_true - y_pred));
mse = mean((y_true - y_pred).^2);
rmse = sqrt(mse);
r2 = 1 - sum((y_true - y_pred).^2)/sum((y_true - mean(y_true)).^2);

disp(['MAE:' num2str(mae) '  MSE:' num2str(mse)])
disp(['RMSE:' num2str(rmse) '  R²:' num2str(r2)])

跑完代码如果发现预测曲线像心电图，试试这三板斧：加大LSTM层数、调整注意力维度、增加训练轮次。注意机制有个隐藏福利——可视化注意力权重，能清楚看到模型在哪些时间点"走神"了。

这种组合模型特别适合有周期性波动但又存在异常波动的数据，比如电力负荷预测、股票价格波动分析。下次遇到时序难题，不妨让Attention-LSTM帮你"擦亮眼睛"找关键。