CPO-CNN-GRU-Attention、CNN-GRU-Attention、CPO-CNN-GRU、CNN-GRU四模子多 ...

CPO-CNN-GRU-Attention、CNN-GRU-Attention、CPO-CNN-GRU、CNN-GRU四模子多变量时序预测对比


  
预测结果

基本介绍

基于CPO-CNN-GRU-Attention、CNN-GRU-Attention、CPO-CNN-GRU、CNN-GRU四模子多变量时序预测一键对比(仅运行一个main即可)
Matlab代码，每个模子的预测结果和组合对比结果都有!
1.无需繁琐步骤，只需要运行一个main即可一键出所有图像。
2.程序已经调试好，无需更改代码替换数据集即可运行!!!数据格式为excel!
3.CPO优化参数为:隐藏层节点数，学习率，正则化系数
4.CPO作为24年新算法，冠豪猪优化器(Crested Porcupine Optimizer，CPO)。该结果于2024年1月发表在中科院1区SCI期刊Knowledge-Based Systems上。
运行情况要求MATLAB版本为2023b及其以上
评价指标包罗:R2、MAE、MSE、RPD、RMSE等，图许多
代码中文注释清晰，质量极高，赠送测试数据集，可以直接运行源程序。替换你的数据即可用 适合新手小白
程序计划

• 完备代码私信复兴CPO-CNN-BiLSTM-Attention、CNN-BiLSTM-Attention、CPO-CNN-BiLSTM、CNN-BiLSTM四模子对比多变量时序预测。
  

5. %%  CSDN：机器学习之心
6. %%  清空环境变量
7. warning off             % 关闭报警信息
8. close all               % 关闭开启的图窗
9. clear                   % 清空变量
10. clc                     % 清空命令行
12. %%  导入数据
13. result = xlsread('数据集.xlsx');
15. %%  数据分析
16. num_samples = length(result);  % 样本个数
17. kim = 2;                       % 延时步长（前面多行历史数据作为自变量）
18. zim =  1;                      % 跨zim个时间点进行预测
19. nim = size(result, 2) - 1;     % 原始数据的特征是数目
21. %%  划分数据集
22. for i = 1: num_samples - kim - zim + 1
23.     res(i, :) = [reshape(result(i: i + kim - 1 + zim, 1: end - 1)', 1, ...
24.         (kim + zim) * nim), result(i + kim + zim - 1, end)];
25. end
27. %%  数据集分析
28. outdim = 1;                                  % 最后一列为输出
29. num_size = 0.7;                              % 训练集占数据集比例
30. num_train_s = round(num_size * num_samples); % 训练集样本个数
31. f_ = size(res, 2) - outdim;                  % 输入特征长度
33. %%  划分训练集和测试集
34. P_train = res(1: num_train_s, 1: f_)';
35. T_train = res(1: num_train_s, f_ + 1: end)';
36. M = size(P_train, 2);
38. P_test = res(num_train_s + 1: end, 1: f_)';
39. T_test = res(num_train_s + 1: end, f_ + 1: end)';
40. N = size(P_test, 2);
42. %%  数据归一化
43. [p_train, ps_input] = mapminmax(P_train, -1, 1);%将训练集和测试集的数据调整到0到1之间
44. p_test = mapminmax('apply', P_test, ps_input);
46. [t_train, ps_output] = mapminmax(T_train, -1, 1);% 对测试集数据做归一化
47. t_test = mapminmax('apply', T_test, ps_output);
49. %%  数据平铺
50. %   将数据平铺成1维数据只是一种处理方式
51. %   也可以平铺成2维数据，以及3维数据，需要修改对应模型结构
52. %   但是应该始终和输入层数据结构保持一致
53. p_train =  double(reshape(p_train, f_, 1, 1, M));
54. p_test  =  double(reshape(p_test , f_, 1, 1, N));
55. t_train =  double(t_train)';
56. t_test  =  double(t_test )';
58. %%  数据格式转换
59. for i = 1 : M
60.     Lp_train{i, 1} = p_train(:, :, 1, i);
61. end
63. for i = 1 : N
64.     Lp_test{i, 1}  = p_test( :, :, 1, i);
65. end
68. %% 建立模型
69. lgraph = layerGraph();                                                   % 建立空白网络结构
70. tempLayers = [
71.     sequenceInputLayer([f_, 1, 1], "Name", "sequence")              % 建立输入层，输入数据结构为[f_, 1, 1]
72.     sequenceFoldingLayer("Name", "seqfold")];                            % 建立序列折叠层
73. lgraph = addLayers(lgraph, tempLayers);                                  % 将上述网络结构加入空白结构中
74. tempLayers = [
75.     convolution2dLayer([3, 1], 16, "Name", "conv_1", "Padding", "same")  % 建立卷积层,卷积核大小[3, 1]，16个特征图
76.     reluLayer("Name", "relu_1")                                          % Relu 激活层
77.     convolution2dLayer([3, 1], 32, "Name", "conv_2", "Padding", "same")  % 建立卷积层,卷积核大小[3, 1]，32个特征图
78.     reluLayer("Name", "relu_2")];                                        % Relu 激活层
79. lgraph = addLayers(lgraph, tempLayers);                                  % 将上述网络结构加入空白结构中
81. tempLayers = [
82.     sequenceUnfoldingLayer("Name", "sequnfold")                      % 建立序列反折叠层
83.     flattenLayer("Name", "flatten")                                  % 网络铺平层
85.     fullyConnectedLayer(1, "Name", "fc")                             % 全连接层
86.     regressionLayer("Name", "regressionoutput")];                    % 回归层

复制代码

参考资料

   [1] https://blog.csdn.net/kjm13182345320/article/details/128577926?spm=1001.2014.3001.5501
[2] https://blog.csdn.net/kjm13182345320/article/details/128573597?spm=1001.2014.3001.5501

免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。