多维时序 | MATLAB实现SCNGO-BiGRU-Attention多变量时间序列预测

多维时序 | MATLAB实现SCNGO-BiGRU-Attention多变量时间序列预测

预测效果

基本介绍

多维时序 | MATLAB实现SCNGO-BiGRU-Attention多变量时间序列预测。

模型描述

MATLAB实现SCNGO-BiGRU-Attention多变量时间序列预测
1.无Attention适用于MATLAB 2020版及以上版本；融合Attention要求Matlab2023版以上；
2.基于融合正余弦和折射反向学习的北方苍鹰优化算法（SCNGO）、双向门控循环单元网络（BiGRU）融合注意力机制的超前24步多变量时间序列回归预测算法；
3.多变量特征输入，单序列变量输出，输入前一天的特征，实现后一天的预测，超前24步预测。
通过SCNGO优化算法优化学习率、神经元个数，这2个关键参数，以最小MAPE为目标函数。
提供损失、RMSE迭代变化极坐标图；网络的特征可视化图；测试对比图；适应度曲线（若首轮精度最高，则适应度曲线为水平直线）。提供MAPE、RMSE、MAE等计算结果展示。。
4.北方苍鹰优化算法（Northern Goshawk Optimization，NGO）由MOHAMMAD DEHGHANI等人于2022年提出，该算法，该算法模拟了北方苍鹰捕猎过程（猎物识别和攻击、追逐及逃生）。
改进策略参照麻雀优化算法，改进点如下：
①采用折射反向学习策略初始化北方苍鹰算法个体，基本思想是通过计算当前解的反向解来扩大搜索范围，借此找出给定问题更好的备选解；
②采用正余弦策略替换原始苍鹰算法的勘察阶段的位置更新公式；
③对正余弦策略的步长搜索因子进行改进；原始步长搜索因子呈线性递减趋势，不利于进一步平衡北方苍鹰算法的全局搜索和局部开发能力。
5.适用领域：
风速预测、光伏功率预测、发电功率预测、碳价预测等多种应用。
6.使用便捷：
直接使用EXCEL表格导入数据，无需大幅修改程序。内部有详细注释，易于理解。

程序设计

• 完整程序和数据获取方式1：同等价值程序兑换；
• 完整程序和数据获取方式2：私信博主回复MATLAB实现SCNGO-BiGRU-Attention多变量时间序列预测获取。

 
        gruLayer(32,'OutputMode',"last",'Name','bil4','RecurrentWeightsInitializer','He','InputWeightsInitializer','He')
        dropoutLayer(0.25,'Name','drop2')
        % 全连接层
        fullyConnectedLayer(numResponses,'Name','fc')
        regressionLayer('Name','output')    ];

    layers = layerGraph(layers);
    layers = connectLayers(layers,'fold/miniBatchSize','unfold/miniBatchSize');
%-----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------
%% 训练选项
if gpuDeviceCount>0
    mydevice = 'gpu';
else
    mydevice = 'cpu';
end
    options = trainingOptions('adam', ...
        'MaxEpochs',MaxEpochs, ...
        'MiniBatchSize',MiniBatchSize, ...
        'GradientThreshold',1, ...
        'InitialLearnRate',learningrate, ...
        'LearnRateSchedule','piecewise', ...
        'LearnRateDropPeriod',56, ...
        'LearnRateDropFactor',0.25, ...
        'L2Regularization',1e-3,...
        'GradientDecayFactor',0.95,...
        'Verbose',false, ...
        'Shuffle',"every-epoch",...
        'ExecutionEnvironment',mydevice,...
        'Plots','training-progress');
%% 模型训练
rng(0);
net = trainNetwork(XrTrain,YrTrain,layers,options);
%-----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------
%% 测试数据预测
% 测试集预测
YPred = predict(net,XrTest,"ExecutionEnvironment",mydevice,"MiniBatchSize",numFeatures);
YPred = YPred';
% 数据反归一化
YPred = sig.*YPred + mu;
YTest = sig.*YTest + mu;
————————————————
版权声明：本文为CSDN博主「机器学习之心」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。

参考资料

[1] http://t.csdn.cn/pCWSp
[2] https://download.csdn.net/download/kjm13182345320/87568090?spm=1001.2014.3001.5501
[3] https://blog.csdn.net/kjm13182345320/article/details/129433463?spm=1001.2014.3001.5501