人工蜂群算法四模型对比！ABC-CNN-GRU-Attention系列四模型多变量时序预测
预测效果
基本介绍
本研究针对多变量时间序列预测任务，提出了一种融合人工蜂群算法（Artificial Bee Colony, ABC）与深度学习的混合优化框架，并系统构建了ABC-CNN-GRU-Attention、CNN-GRU-Attention、ABC-CNN-GRU和CNN-GRU四类对比模型。其中，人工蜂群算法(Artificial Bee Colony, ABC)是由Karaboga于2005年提出的一种新颖的基于群智能的全局优化算法，其直观背景来源于蜂群的采蜜行为，蜜蜂根据各自的分工进行不同的活动，并实现蜂群信息的共享和交流，从而找到问题的最优解。人工蜂群算法属于群智能算法的一种。具体而言，在ABC-CNN-GRU-Attention模型中，ABC算法被用于优化隐藏层节点数，学习率，正则化系数。为进一步验证模块贡献度，研究还构建了无Attention机制的ABC-CNN-GRU和基准CNN-GRU模型。通过多维评估实验发现，引入ABC算法使模型预测误差减少，证实了群智能算法在深度学习模型训练中的作用。
程序内容
基于ABC-CNN-GRU-Attention、CNN-GRU-Attention、ABC-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.ABC优化参数为:隐藏层节点数，学习率，正则化系数。
4.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ABC-CNN-GRU-Attention、CNN-GRU-Attention、ABC-CNN-GRU和CNN-GRU四类对比模型。
%% 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
%% 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
disp('----------运行CNN-BILSTM模型----------');
%% CNN-BILSTM
%% 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
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