wordpress指定目录为首页,台州百度关键词优化,国外好看的网站设计,制作衣服的软件app多维时序 | MATLAB实现SCNGO-CNN-Attention多变量时间序列预测 目录 多维时序 | MATLAB实现SCNGO-CNN-Attention多变量时间序列预测预测效果基本介绍程序设计参考资料 预测效果 基本介绍 1.SCNGO-CNN-Attention超前24步多变量回归预测算法。 程序平台#xff1a;无Attention适…多维时序 | MATLAB实现SCNGO-CNN-Attention多变量时间序列预测 目录 多维时序 | MATLAB实现SCNGO-CNN-Attention多变量时间序列预测预测效果基本介绍程序设计参考资料 预测效果 基本介绍 1.SCNGO-CNN-Attention超前24步多变量回归预测算法。 程序平台无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、卷积神经网络CNN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.北方苍鹰优化算法Northern Goshawk OptimizationNGO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 4.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 5.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。 6.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 7.通过SCNGO优化算法优化学习率、卷积核大小、卷积核个数这3个关键参数以最小MAPE为目标函数 8.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 7.提供MAPE、RMSE、MAE等计算结果展示。 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。 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
完整源码和数据获取方式私信博主回复MATLAB实现SCNGO-CNN-Attention多变量时间序列预测
lgraph connectLayers(lgraph, seqfold/out, conv_1); % 折叠层输出 连接 卷积层输入
lgraph connectLayers(lgraph, seqfold/miniBatchSize, sequnfold/miniBatchSize); % 折叠层输出连接反折叠层输入
lgraph connectLayers(lgraph, relu_2, sequnfold/in); % 激活层输出 连接 反折叠层输入
lgraph connectLayers(lgraph, sequnfold, flip);
lgraph connectLayers(lgraph, bigru2, cat/in2);%% 参数设置
options trainingOptions(adam, ... % Adam 梯度下降算法MaxEpochs, 100,... % 最大训练次数MiniBatchSize,64,... % 批处理InitialLearnRate, 0.001,... % 初始学习率为0.001L2Regularization, 0.001,... % L2正则化参数LearnRateSchedule, piecewise,... % 学习率下降LearnRateDropFactor, 0.1,... % 学习率下降因子 0.1LearnRateDropPeriod, 400,... % 经过800次训练后 学习率为 0.001*0.1Shuffle, every-epoch,... % 每次训练打乱数据集ValidationPatience, Inf,... % 关闭验证Plots, training-progress,... % 画出曲线Verbose, false);%% 训练模型
[net,traininfo] trainNetwork(p_train, t_train, lgraph, options);%% 预测
t_sim1 predict(net, p_train);
t_sim2 predict(net, p_test ); %% 数据反归一化
T_sim1 mapminmax(reverse, t_sim1, ps_output);
T_sim2 mapminmax(reverse, t_sim2, ps_output);%% 均方根误差
error1 sqrt(sum((T_sim1 - T_train).^2) ./ M);
error2 sqrt(sum((T_sim2 - T_test ).^2) ./ N);%% 相关指标计算
% R2
R1 1 - norm(T_train - T_sim1)^2 / norm(T_train - mean(T_train))^2;
R2 1 - norm(T_test - T_sim2)^2 / norm(T_test - mean(T_test ))^2;disp([训练集数据的R2为, num2str(R1)])
disp([测试集数据的R2为, num2str(R2)])% MAE
mae1 sum(abs(T_sim1 - T_train)) ./ M ;
mae2 sum(abs(T_sim2 - T_test )) ./ N ;disp([训练集数据的MAE为, num2str(mae1)])
disp([测试集数据的MAE为, num2str(mae2)])%% 平均绝对百分比误差MAPE
MAPE1 mean(abs((T_train - T_sim1)./T_train));
MAPE2 mean(abs((T_test - T_sim2)./T_test));disp([训练集数据的MAPE为, num2str(MAPE1)])
disp([测试集数据的MAPE为, num2str(MAPE2)])% MBE
mbe1 sum(abs(T_sim1 - T_train)) ./ M ;
mbe2 sum(abs(T_sim1 - T_train)) ./ N ;disp([训练集数据的MBE为, num2str(mbe1)])
disp([测试集数据的MBE为, num2str(mbe2)])%均方误差 MSE
mse1 sum((T_sim1 - T_train).^2)./M;
mse2 sum((T_sim2 - T_test).^2)./N;disp([训练集数据的MSE为, num2str(mse1)])
disp([测试集数据的MSE为, num2str(mse2)])
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
