GAF-LSTM时间序列预测：原理与MATLAB实现

1. 项目概述：GAF-LSTM时间序列预测方案

这个项目实现了一种创新的时间序列预测方法，将格拉姆角场(Gramian Angular Field, GAF)与长短期记忆网络(LSTM)相结合。我在实际工业预测任务中发现，传统LSTM直接处理原始时间序列时，往往难以有效捕捉其深层时空特征。而GAF转换将一维时间序列编码为二维图像表示，保留了时间依赖性和数值相关性，为LSTM提供了更丰富的特征输入。

关键优势：GAF转换后的二维表示可以显式保留时间序列的极坐标特性，相比原始数据或傅里叶变换等传统方法，更有利于CNN/LSTM提取时空关联特征。

项目基于MATLAB R2022b开发，代码经过完整调试并添加了逐行注释。从数据预处理、GAF转换、LSTM网络构建到预测结果可视化，形成了端到端的解决方案。特别适合处理具有周期性、趋势性的复杂时间序列，如电力负荷预测、股票价格分析、气象数据预测等场景。

2. 核心原理与技术实现

2.1 格拉姆角场(GAF)编码原理

GAF转换通过以下步骤将时间序列转换为图像矩阵：

1. 数据归一化：将原始序列X={x1,x2,...,xn}归一化到[-1,1]区间：

   matlab复制X_norm = (X - min(X)) * 2 / (max(X) - min(X)) - 1;
   

2. 极坐标转换：计算每个点的角度值：

   matlab复制phi = acos(X_norm); % 反余弦变换得到极角
   

3. 生成GAF矩阵：通过三角运算构建格拉姆矩阵：

   matlab复制GAF = cos(phi + phi'); % 求和格拉姆角场(GASF)
   % 或使用 sin(phi - phi') 得到差分格拉姆角场(GADF)
   

技术细节：GASF保留时间序列的绝对值信息，GADF则突出变化差异。实际应用中常将两者堆叠使用，形成双通道输入。

2.2 LSTM网络设计要点

针对GAF输出的二维特征，采用如下LSTM结构：

matlab复制layers = [
    sequenceInputLayer(inputSize)
    lstmLayer(128,'Outp