门户网站建设工作,没有公司做网站犯法吗,家居品牌网站建设,注册个人网站要多少钱CPO-CNN-GRU-Attention、CNN-GRU-Attention、CPO-CNN-GRU、CNN-GRU四模型多变量时序预测对比 目录 CPO-CNN-GRU-Attention、CNN-GRU-Attention、CPO-CNN-GRU、CNN-GRU四模型多变量时序预测对比预测效果基本介绍程序设计参考资料 预测效果 基本介绍
基于CPO-CNN-GRU-Attention、…CPO-CNN-GRU-Attention、CNN-GRU-Attention、CPO-CNN-GRU、CNN-GRU四模型多变量时序预测对比 目录 CPO-CNN-GRU-Attention、CNN-GRU-Attention、CPO-CNN-GRU、CNN-GRU四模型多变量时序预测对比预测效果基本介绍程序设计参考资料 预测效果 基本介绍
基于CPO-CNN-GRU-Attention、CNN-GRU-Attention、CPO-CNN-GRU、CNN-GRU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.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 OptimizerCPO)。该成果于2024年1月发表在中科院1区SCI期刊Knowledge-Based Systems上。 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CPO-CNN-BiLSTM-Attention、CNN-BiLSTM-Attention、CPO-CNN-BiLSTM、CNN-BiLSTM四模型对比多变量时序预测。
%% CSDN机器学习之心
%% 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 1res(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 : MLp_train{i, 1} p_train(:, :, 1, i);
endfor i 1 : NLp_test{i, 1} p_test( :, :, 1, i);
end%% 建立模型
lgraph layerGraph(); % 建立空白网络结构
tempLayers [sequenceInputLayer([f_, 1, 1], Name, sequence) % 建立输入层输入数据结构为[f_, 1, 1]sequenceFoldingLayer(Name, seqfold)]; % 建立序列折叠层
lgraph addLayers(lgraph, tempLayers); % 将上述网络结构加入空白结构中
tempLayers [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reluLayer(Name, relu_1) % Relu 激活层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reluLayer(Name, relu_2)]; % Relu 激活层
lgraph addLayers(lgraph, tempLayers); % 将上述网络结构加入空白结构中tempLayers [sequenceUnfoldingLayer(Name, sequnfold) % 建立序列反折叠层flattenLayer(Name, flatten) % 网络铺平层fullyConnectedLayer(1, Name, fc) % 全连接层regressionLayer(Name, regressionoutput)]; % 回归层
参考资料 [1] https://blog.csdn.net/kjm13182345320/article/details/128577926?spm1001.2014.3001.5501 [2] https://blog.csdn.net/kjm13182345320/article/details/128573597?spm1001.2014.3001.5501
