基于VMD-Attention-LSTM的时间序列预测模型（代码仅使用了一个较小数据集的训练及预测，内含使用使用逻辑，适合初学者观看，模型结构是可行的，有能力的请尝试使用更大的数据集训练）

1.Matlab实现TPA-LSTM Attention-LSTM多变量回归预测； 2.运行环境为Matlab2020b； 3.Train为训练集数据，Test为测试集数据，TPAMain.m为主程序，运行即可；其余m文件为子函数，无需运行,所有文件放在一个文件夹； 4.运行需要要GPU支持运算。 1. 使用Matlab实现了TPA-LSTM/Attention-LSTM多变量回归预测的算法。 2. 该算法在Matlab2020b环境下运行。 3. 程序包含了训练集数据（Train）、测试集数据（Test）以及一个主程序（TPAMain.m），只需运行主程序即可。其他的m文件是子函数，无需单独运行，建议将所有文件放在同一个文件夹中。 4. 运行该程序需要GPU支持进行计算。 涉及的 1. TPA-LSTM/Attention-LSTM：这是一种多变量回归预测的算法。TPA-LSTM（Temporal Pattern Attention-LSTM）和Attention-LSTM分别是基于LSTM（长短期记忆）模型的改进版本，用于处理时间序列数据并关注序列中的重要模式和特征。

人工智能-深度学习-注意力-基于attention的LSTM/Dense implemented by Keras X = Input Sequence of length n. H = LSTM(X); Note that here the LSTM has return_sequences = True, so H is a sequence of vectors of length n. s is the hidden state of the LSTM (h and c) h is a weighted sum over H: 加权和 h = sigma(j = 0 to n-1) alpha(j) * H(j) weight alpha[i, j] for each hj is computed as follows: H = [h1,h2,...,hn] M = tanh(H) alhpa = softmax(w.transpose * M) h# = tanh(h) y = softmax(W * h# + b) J(theta) = negative

回归预测 | MATLAB实现Attention-LSTM(注意力机制长短期记忆神经网络)多输入单输出（完整源码和数据） 多输入单输出,运行环境MATLAB2020b及以上。

来自Self-Attention ConvLSTM for Spatiotemporal Prediction文章的Self-Attention Module的实现。使用python3语言，tensorflow2.0框架编写。

Tensorflow 2 DA-RNN 的Tensorflow 2（Keras）实现， 论文： : 安装 pip install da-rnn 用法 from da_rnn import ( DARNN ) model = DARNN ( 10 , 64 , 64 ) y_hat = model ( inputs ) Python Docstring符号 在此项目的方法的文档字符串中，我们具有以下表示法约定： variable_{subscript}__{superscript} 例如： y_T__i表示 ，在时间T第i个预测值。 alpha_t__k表示 ，注意权重在时间t测量第k个输入特征（驾驶序列）的重要性。 DARNN（T，m，p，y_dim = 1） 以下（超级）参数的命名与本文一致，但本文未提及的y_dim除外。 T int窗口的长度（时间步长） m in