蜣螂算法+四模型对比！DBO-CNN-BiLSTM-Attention系列四模型多变量时序预测

蜣螂算法+四模型对比！DBO-CNN-BiLSTM-Attention系列四模型多变量时序预测（Matlab完整源码和数据）

效果一览

基本介绍

代码主要功能
该代码实现了一个多模型融合的时间序列预测，结合了CNN-BiLSTM基础模型、注意力机制和蜣螂优化算法（DBO），对给定的时序数据集进行预测和性能对比。主要功能包括：

1. 数据预处理与特征重构
2. 四种模型训练与预测：
   • CNN-BiLSTM基础模型
   • DBO优化的CNN-BiLSTM
   • CNN-BiLSTM-Attention模型
   • DBO优化的CNN-BiLSTM-Attention
3. 超参数自动优化（DBO算法）蜣螂优化算法( Dung beetle optimizer, DBO), 是由 Jiankai Xue 等于2022 年提出的一种群体智能优化算法。其灵感来源于蜣螂的生物行为过程，具有寻优能力强，收敛速度快的特点！
4. 多维度结果可视化与性能评估
   算法步骤
5. 数据预处理：
   • 导入Excel数据集
   • 构建时序特征矩阵（延时步长=2）
   • 7:3划分训练/测试集
   • 数据归一化处理（[-1,1]区间）
6. 基础模型构建：
   % CNN-BiLSTM结构
   sequenceInputLayer → Conv2D(16) → ReLU → Conv2D(32) → ReLU →
   BiLSTM(30) → FullyConnected → Regression
7. DBO优化流程：
   • 优化目标函数：fical (适应度函数)
   • 优化参数：学习率、L2正则化系数、隐藏层节点数
   • 优化边界：[1e-3, 0.001, 5] 到 [0.1, 0.03, 100]
   • 种群规模20，迭代20次
8. 注意力机制集成：
   % SE注意力模块
   GlobalAvgPooling → FC(16) → ReLU → FC(64) → Sigmoid →
   FeatureWeighting → BiLSTM
9. 性能评估：
   • 计算RMSE、MAE、MAPE、R²、MSE
   • 多模型误差对比分析
   技术路线
   

程序设计

完整代码私信回复：蜣螂算法+四模型对比！DBO-CNN-BiLSTM-Attention系列四模型多变量时序预测（Matlab完整源码和数据））

%%  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('北半球光伏数据.xlsx');

%%  数据分析
num_samples = length(result);  % 样本个数
or_dim = size(result, 2);      % 原始特征+输出数目
kim =  4;                      % 延时步长（kim个历史数据作为自变量）
zim =  1;                      % 跨zim个时间点进行预测

%%  划分数据集
for i = 1: num_samples - kim - zim + 1
    res(i, :) = [reshape(result(i: i + kim - 1, :), 1, kim * or_dim), result(i + kim + zim - 1, :)];
end

%%  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);

参考资料

[1] https://blog.csdn.net/kjm13182345320/article/details/129215161
[2] https://blog.csdn.net/kjm13182345320/article/details/128105718