粒子群优化双向深度学习！PSO-BiTCN-BiGRU-Attention多输入单输出回归预测

粒子群优化双向深度学习！PSO-BiTCN-BiGRU-Attention多输入单输出回归预测

目录

• • 粒子群优化双向深度学习！PSO-BiTCN-BiGRU-Attention多输入单输出回归预测
  • • 效果一览
    • 基本介绍
    • 程序设计
    • 参考资料

效果一览

基本介绍

1.Matlab实现PSO-BiTCN-BiGRU-Attention粒子群算法优化双向时间卷积双向门控循环单元融合注意力机制多变量回归预测（完整源码和数据），优化学习率，BiGRU的神经元个数，滤波器个数, 正则化参数；

2.输入多个特征，输出单个变量，回归预测，自注意力机制层，运行环境matlab2023及以上；

3.命令窗口输出R2、MAE、MAPE、 RMSE多指标评价；

4.代码特点：参数化编程、参数可方便更改、代码编程思路清晰、注释明细；

5.适用对象：大学生课程设计、期末大作业和毕业设计。

程序设计

• 完整程序和数据下载私信博主回复粒子群优化双向深度学习！PSO-BiTCN-BiGRU-Attention多输入单输出回归预测。

%%  清空环境变量
warning off             % 关闭报警信息
close all               % 关闭开启的图窗
clear                   % 清空变量
clc                     % 清空命令行



%%  划分训练集和测试集
P_train = res(1: num_train_s, 1: f_)';
T_train = res(1: num_train_s, f_ + 1: end)';
M = size(P_train, 2);

P_test = res(num_train_s + 1: end, 1: f_)';
T_test = res(num_train_s + 1: end, f_ + 1: end)';
N = size(P_test, 2);

%%  数据归一化
[P_train, ps_input] = mapminmax(P_train, 0, 1);
P_test = mapminmax('apply', P_test, ps_input);

[t_train, ps_output] = mapminmax(T_train, 0, 1);
t_test = mapminmax('apply', T_test, ps_output);

%%  数据平铺
P_train =  double(reshape(P_train, f_, 1, 1, M));
P_test  =  double(reshape(P_test , f_, 1, 1, N));

t_train = t_train';
t_test  = t_test' ;

%%  数据格式转换
for i = 1 : M
    p_train{i, 1} = P_train(:, :, 1, i);
end

for i = 1 : N
    p_test{i, 1}  = P_test( :, :, 1, i);
end

参考资料

[1] https://blog.csdn.net/kjm13182345320/article/details/128163536?spm=1001.2014.3001.5502

[2] https://blog.csdn.net/kjm13182345320/article/details/128151206?spm=1001.2014.3001.5502