未发表！QRCNN-BiGRU-MultiAttention实现区间预测！轻松发顶刊！区间预测全家桶再更新！

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~

结果展示

数据介绍

原理讲解与流程

1.CNN（卷积神经网络）

2.BiGRU（双向门控循环单元）

3.MultiAttention（多头自注意力）

4.模型结构

部分代码展示

全家桶代码目录

代码获取

今天对我们之前推出的区间预测全家桶进行更新，将最新推出的QRCNN-BiGRU-MultiAttention模型加入到我们的全家桶当中，非常新颖！

如果你之前购买过区间预测全家桶，此次推出的模型免费下载即可！

同样，本期代码大家使用的时候只需要一键运行main即可出来所有图片与区间预测结果！非常方便！适合新手小白！如果你想替换成自己的其他数据集，也非常方便！只需替换Excel文件即可，无需更改代码！

我们提出的这个模型在知网和WOS平台依旧都是搜不到的！不信可以看下图！

结果展示

这里采用了95%的置信区间，如果大家需要其他的置信区间，也可以自行更改，只需在代码的创建网络处修改即可，非常简单！

区间预测的测试集预测结果：

区间预测的训练集预测结果：

网络结构图：

点预测的误差直方图：

点预测的线性拟合图：

我们也很贴心地给出了很多评价指标，点预测包括4种评价指标，包括R2、MAE、MSE、MAPE，区间预测包括2种评价指标，区间覆盖率PICP、区间平均宽度百分比PIMWP，如果后续有需要增加评价指标的小伙伴可以私聊~

可以看到，我们的QRCNN-BiGRU-MultiAttention模型预测精度非常高，在95%置信水平下的PICP甚至达到了99.4%，R2也达到了0.99以上，与真实值基本吻合，这是很多论文都无法达到的效果，非常适合用来作为创新点！

如果你再做一些模型对比，证明你的模型优越性，那论文不就蹭蹭发了吗？

当然，如果你觉得效果不好，想要效果更好，在时间充足的情况下，可以增大设置中的最大迭代次数，比如500次，1000次，可根据个人需求调整！

数据介绍

本期数据使用的依旧是多变量回归数据集，是某地一个风电功率的数据集，经过处理后有3个特征，分别用特征1、2、3来表示，具体特征含义大家不必深究，这边只是给大家提供一个示例而已，大家替换成自己的数据集即可~

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！

以上所有图片，作者都已精心整理过代码，都可以一键运行main直接出图！不信的话可以看下面文件夹截图，非常清晰明了！

适用平台：Matlab2023a版本及以上，没有的文件夹里已免费提供安装包！

原理讲解与流程

传统预测是以点预测的形式提供的，这种单一的预测信息不足以体现预测的不确定性。分位数回归可以直接估计不同分位数的点值，其优点是可以在整个分位数范围内提供预测值，而不用提前假设分布函数的参数形式。

因此，我们结合分位数理论，提出基于分位数的 CNN-BiGRU-MultiAttention区间预测模型，该模型可实现在不同分位数下的预测，从而实现区间预测功能。

1.CNN（卷积神经网络）

CNN 具有出色的特征提取能力，已经在计算机视觉、故障诊断等领域得到了广泛的应用。卷积层和池化层是 CNN 的两个重要组成部分，也是 CNN 特有的结构，其在CNN结构中通常交替出现，同时在CNN结构通常还包含全连接层。CNN 网络的典型结构如下图所示。卷积层的主要作用是深入挖掘输入数据的特征，池化层通常紧随在卷积层后，可以降低特征维度，使CNN网络的收敛速度更快。具体的卷积计算过程式为：

式中：O 表示神经元局部输出；I 为神经元输入；l、 m、n 分别表示输出矩阵的 3 个维度；i、j、n 分别表示卷积核 K 的长度、宽度和深度；n b 表示卷积核的阈值；⊗表示矩阵的乘法运算。

2.BiGRU（双向门控循环单元）

门控循环单元（GRU）是循环神经网络的一种，是循环神经网络（RNN）和长短期记忆网络（LSTM）的改进。BiGRU 本质上是一个双层 GRU 网络，在前向 GRU 层中，通过前向传播将特征输入到网络训练中，并挖掘数据的前向相关性。在逆向 GRU 层中，输入序列通过反向传播进行训练，挖掘数据的逆相关性。这种网络架构可以对输入的特征进行双向提取，更好地提高特征的完整性和全局性。

3.MultiAttention（多头自注意力）

注意力机制通过动态计算注意力权重来适应不同的输入情况。自注意力机制在传统注意力机制的基础上进行了进一步改良，获取全局的信息而非单一上下文的信息，使其更全面地理解整个序列的语义，并更好地捕捉元素之间的复杂关系。

多头自注意力机制引入多个注意力头，每个注意力头都是一个独立的自注意力机制，学习到一组不同的权重和表示。在多头自注意力机制中，输入序列首先通过线性变换映射到多个不同的query、key、和value空间。每个注意力头都会对这些映射后的查询、键和值进行独立的注意力计算，得到每个位置的表示。最后，将模型中每个注意力头的表示通过线性变换和拼接操作来合并，就得到最终的输出表示。

4.模型结构

以下是程序中的网络结构图，跟其他程序中的CNN-BiGRU-MultiAttention模型相比，我们的模型结构非常简洁，各结构层之间能简化的一定简化！省去了很多不必要的网络结构和代码，更加清晰易懂，适合新手小白！同时，直接运行main文件即可一键自动生成此网络结构图！

部分代码展示

%%  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
res = xlsread('数据集.xlsx');

%%  数据分析
num_size = 0.7;                              % 训练集占数据集比例
outdim = 1;                                  % 最后一列为输出
num_samples = size(res, 1);                  % 样本个数
%res = res(randperm(num_samples), :);         % 打乱数据集（不希望打乱时，注释该行）
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

%%  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);

%%  格式转换
for i = 1 : M 
    vp_train{i, 1} = p_train(:, i);
    vt_train{i, 1} = t_train(:, i);
end

for i = 1 : N 
    vp_test{i, 1} = p_test(:, i);
    vt_test{i, 1} = t_test(:, i);
end

%%  创建网络
save_net = [];
for i = 0.02 : 0.05 : 0.97                                         % 置信区间范围 0.97 - 0.02 = 0.95

    %%  建立模型
    lgraph = layerGraph();

可以看到，代码注释非常清晰，适合新手小白！