四模型消融实验!DCS-CNN-BiLSTM-Attention系列四模型多变量时序预测

四模型消融实验!DCS-CNN-BiLSTM-Attention系列四模型多变量时序预测

目录

预测效果







基本介绍

基于DCS-CNN-BiLSTM-Attention、CNN-BiLSTM-Attention、DCS-CNN-BiLSTM、CNN-BiLSTM四模型多变量时序预测一键对比(仅运行一个main即可)

Matlab代码,每个模型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.优化参数为:隐藏层节点数,学习率,正则化系数。

4.差异化创意搜索(DCS)算法是一种极具创新的元启发式优化方法,该方法采用差异化知识获取和创造性现实主义策略来解决复杂的优化问题。

5.运行环境要求MATLAB版本为2023b及其以上。

评价指标包括:R2、MAE、MSE、RPD、RMSE等,图很多

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

程序设计

  • 完整代码私信回复四模型消融实验!DCS-CNN-BiLSTM-Attention系列四模型多变量时序预测
clike 复制代码
%%  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

%%  导入数据
result = xlsread('数据集.xlsx');

%%  数据分析
num_samples = length(result);  % 样本个数
kim = 2;                       % 延时步长(前面多行历史数据作为自变量)
zim =  1;                      % 跨zim个时间点进行预测
nim = size(result, 2) - 1;     % 原始数据的特征是数目

%%  划分数据集
for i = 1: num_samples - kim - zim + 1
    res(i, :) = [reshape(result(i: i + kim - 1 + zim, 1: end - 1)', 1, ...
        (kim + zim) * nim), result(i + kim + zim - 1, end)];
end

%%  数据集分析
outdim = 1;                                  % 最后一列为输出
num_size = 0.7;                              % 训练集占数据集比例
num_train_s = round(num_size * num_samples); % 训练集样本个数
f_ = size(res, 2) - outdim;                  % 输入特征长度

%%  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, -1, 1);%将训练集和测试集的数据调整到0到1之间
p_test = mapminmax('apply', P_test, ps_input);

[t_train, ps_output] = mapminmax(T_train, -1, 1);% 对测试集数据做归一化
t_test = mapminmax('apply', T_test, ps_output);

%%  数据平铺
%   将数据平铺成1维数据只是一种处理方式
%   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
%   但是应该始终和输入层数据结构保持一致
p_train =  double(reshape(p_train, f_, 1, 1, M));
p_test  =  double(reshape(p_test , f_, 1, 1, N));
t_train =  double(t_train)';
t_test  =  double(t_test )';

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

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

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

相关推荐
时光旅人01号2 小时前
Ubuntu 常用指令手册
linux·运维·服务器·深度学习·神经网络·ubuntu
炸膛坦客4 小时前
各类神经网络学习:(二)RNN 循环神经网络(上集),模型类型和相关知识
rnn·神经网络·学习
三三木木七7 小时前
神经网络的基本知识
人工智能·神经网络·算法
调皮的芋头12 小时前
【“以退为进“、“不得已而为之“与“风险对冲“的协同机制】
python·神经网络·机器学习
文弱_书生13 小时前
什么是张量(不是卖麻辣烫的那个张亮)
人工智能·深度学习·神经网络·算法·计算机视觉
阿正的梦工坊14 小时前
Kaiming Uniform 初始化:神经网络权重初始化的优雅解决方案
人工智能·深度学习·神经网络
yuanpan1 天前
机器学习神经网络中的损失函数表达的是什么意思
人工智能·神经网络·机器学习
m0_613607011 天前
神经网络分类任务
神经网络·分类
MarkAssassin1 天前
如何提取神经网络中间层特征向量
人工智能·python·深度学习·神经网络
青橘MATLAB学习1 天前
PinnDE:基于物理信息神经网络的微分方程求解库
人工智能·深度学习·神经网络