东莞建设网东莞市住房和城乡建设_上海建设咨询网_高清网站推广免费下载_陕西网站制作

CPO-CNN-LSTM-Attention、CNN-LSTM-Attention、CPO-CNN-LSTM、CNN-LSTM四模型对比多变量时序预测

预测效果

在这里插入图片描述

基本介绍

时序预测任务中实现CPO-CNN-LSTM-Attention、CNN-LSTM-Attention、CPO-CNN-LSTM、CNN-LSTM这四个模型，并对比它们的性能，我们需要先构建每个模型，然后使用相同的数据集进行训练，并评估它们的预测结果。CPO优化参数为:隐藏层节点数，学习率，正则化系数
CPO作为24年新算法，冠豪猪优化器(Crested Porcupine Optimizer，CPO)。该成果于2024年1月发表在中科院1区SCI期刊Knowledge-Based Systems上。在构建CNN-LSTM-Attention模型时，我们需要结合卷积神经网络（CNN）、长短期记忆网络（LSTM）和注意力机制（Attention）的优点。CNN通常用于特征提取，特别是在处理具有局部相关性的数据时表现优异，如图像数据或时间序列数据的局部模式。LSTM则擅长捕捉长期依赖关系，这对于时间序列预测等任务至关重要。注意力机制则能够动态地调整不同时间步的输入对输出的影响，从而提高模型的预测精度。
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-LSTM-Attention、CNN-LSTM-Attention、CPO-CNN-LSTM、CNN-LSTM四模型对比多变量时序预测。

% 训练集和测试集划分
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;                  % 输入特征维度CNN-LSTM模型：
训练集 RMSE：0.25474, 测试集 RMSE：0.25827
训练集 MSE：0.064893, 测试集 MSE：0.066704
训练集 R²：0.99039, 测试集 R²：0.9877
训练集 MAE：0.20892, 测试集 MAE：0.21366
训练集 MAPE：3.1009%, 测试集 MAPE：3.1704%
CPO-CNN-LSTM模型：
训练集 RMSE：0.17448, 测试集 RMSE：0.17082
训练集 MSE：0.030444, 测试集 MSE：0.029181
训练集 R²：0.99549, 测试集 R²：0.99462
训练集 MAE：0.13696, 测试集 MAE：0.13815
训练集 MAPE：1.9241%, 测试集 MAPE：1.9952%
CNN-LSTM-Attention模型：
训练集 RMSE：0.27247, 测试集 RMSE：0.28207
训练集 MSE：0.074238, 测试集 MSE：0.079564
训练集 R²：0.98901, 测试集 R²：0.98533
训练集 MAE：0.22259, 测试集 MAE：0.23804
训练集 MAPE：3.2976%, 测试集 MAPE：3.4828%
CPO-CNN-LSTM-Attention模型：
训练集 RMSE：0.27247, 测试集 RMSE：0.10074
训练集 MSE：0.074238, 测试集 MSE：0.010149
训练集 R²：0.98901, 测试集 R²：0.99813
训练集 MAE：0.22259, 测试集 MAE：0.077405
训练集 MAPE：3.2976%, 测试集 MAPE：1.0496%
Model                     | MAE        | MAPE       | MSE        | RMSE       | R²        
------------------------------------------------------------------------------------------
CNN-LSTM                  | 0.2137     | 3.1704     | 0.0667     | 0.2583     | 0.9877    
CPO-CNN-LSTM              | 0.1382     | 1.9952     | 0.0292     | 0.1708     | 0.9946    
CNN-LSTM-Attention        | 0.2380     | 3.4828     | 0.0796     | 0.2821     | 0.9853    
CPO-CNN-LSTM-Attention    | 0.0774     | 1.0496     | 0.0101     | 0.1007     | 0.9981    
------------------------------------------------------------------------------------------

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