原创+顶级SCI优化！23年新算法PSA优化CNN-LSTM-Attention一键实现多变量回归预测！

news2024/11/20 19:35:12

声明：文章是从本人公众号中复制而来，因此，想最新最快了解各类智能优化算法及其改进的朋友，可关注我的公众号：强盛机器学习，不定期会有很多免费代码分享~

效果展示

数据介绍

创新点

模型流程

部分代码

完整代码获取

今天为大家带来一期PSA-CNN-LSTM-Attention回归预测代码，知网和WOS都是搜不到的！完全是作者独家创立的！可以说是尚未发表的创新点！直接替换Excel数据即可用！

特别需要指出的是，我们在各个学术平台上搜索PSA-CNN-LSTM-Attention，都是完全搜索不到这个模型的！！！不信的可以看下面截图！

知网平台：

WOS平台：

废话不多说，直接看效果图！

效果展示

训练集预测效果图：

测试集预测效果图：

四张曲线拟合图！：

适应度变化曲线图：

误差直方图：

网络结构图：

迭代曲线图：

以上所有图片（9张！），作者都已精心整理过代码，都可以一键运行main直接出图！非常方便！！

适用平台：Matlab2020B及以上，没有的文件夹里已经免费提供安装包，直接下载即可！

数据介绍

本期采用的数据是经典的多变量时间序列预测数据集，是为了方便大家替换自己的数据集，各个变量采用特征1、特征2…表示，无实际含义，最后一列即为输出。

更换自己的数据时，只需最后一列放想要预测的列，其余列放特征即可，无需更改代码，非常方便！

创新点

以下这些文字，如果大家需要用这个程序写论文，都是可以直接搬运的！

1.结合CNN和LSTM的优势：

CNN通过卷积层处理输入数据，提取局部特征；LSTM则处理序列化的特征，捕捉长期依赖关系。这种结合方式使得模型既能理解局部的输入特征，也能理解这些特征随时间的变化关系，增强了模型对于复杂序列数据的理解能力。

2.引入注意力机制：

在CNN之后引入全局平均池化层和SE通道注意力机制，通过学习各个通道的重要性来自适应地重新校准通道的特征响应，增强模型对重要特征的敏感度与关键特征的关注度，提高了模型的表示能力。这使得模型能够更加关注于对预测目标最重要的特征。这种机制进一步增强了模型捕捉关键信息的能力，同时保留了序列特征的丰富性。

3.利用24年最新的PSA优化算法实现超参数自动优化：

PID搜索优化算法(PID-based search algorithm, PSA)于2023年12月发表在中科院1区Top SCI期刊《Expert Systems With Applications》上，该算法刚刚提出，提出时间极短，目前还没有使用该算法的文献，你先用，你就是创新！

PSA灵感来源于增量PID算法，通过连续调整系统偏差将整个种群收敛到最优状态。原文作者以CEC2017的基准测试函数和六个约束问题。通过与近年来提出的七种元启发式算法的比较，验证了PSA的优化性能。实验结果表明，PSA算法在大部分函数上均取得了最优结果！

具体原理和测试效果请看这篇推文：

SCI一区新算法-PID搜索优化算法(PSA)-公式原理详解与性能测评 Matlab代码免费获取

模型流程

最后再介绍一下我们的这个模型是怎么实现的以及它的流程：

1.数据导入：从Excel文件中读取数据，设定最后一列为输出变量，其余列作为特征变量。

2.训练集与测试集划分：按比例划分训练集和测试集，采用时间序列的重构方法准备数据。

3.数据归一化：对训练集和测试集的特征和标签进行归一化处理，以提高模型训练效率。

4.优化算法确定超参数：使用PID优化算法(PSA)确定CNN-LSTM-Attention模型的最优参数，包括学习率、隐藏层节点数和正则化系数。

5.构建模型：设计CNN-LSTM-Attention网络，其中CNN用于特征提取，LSTM处理序列依赖，注意力机制强化关键信息。

6.模型训练：将PSA算法确定的最优参数代入该模型，使用训练集对CNN-LSTM-Attention模型进行训练。

7.模型预测：利用训练好的模型对训练集和测试集进行预测，然后对预测结果进行反归一化。

8.性能评估：通过绘制真实值与预测值的对比图，并计算R^2、MAE、RMSE和MAPE等指标，评估模型性能。

部分代码

%%  导入数据result = xlsread('数据集.xlsx');%%  数据分析num_samples = length(result);               %  样本个数kim = 6;                                    %  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 + 1    res(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 = 0.8;                              %  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, 0, 1);p_test = mapminmax('apply', P_test, ps_input);[t_train, ps_output] = mapminmax(T_train, 0, 1);t_test = mapminmax('apply', T_test, ps_output);