蜣螂算法+四模型對比！DBO-CNN-BiLSTM-Attention系列四模型多變量時序預測（Matlab完整源碼和數據）

效果一覽

基本介紹

代碼主要功能
該代碼實現了一個多模型融合的時間序列預測，結合了CNN-BiLSTM基礎模型、注意力機制和蜣螂優化算法（DBO），對給定的時序數據集進行預測和性能對比。主要功能包括：

1. 數據預處理與特征重構
2. 四種模型訓練與預測：
   ? CNN-BiLSTM基礎模型
   ? DBO優化的CNN-BiLSTM
   ? CNN-BiLSTM-Attention模型
   ? DBO優化的CNN-BiLSTM-Attention
3. 超參數自動優化（DBO算法）蜣螂優化算法( Dung beetle optimizer, DBO), 是由 Jiankai Xue 等于2022 年提出的一種群體智能優化算法。其靈感來源于蜣螂的生物行為過程，具有尋優能力強，收斂速度快的特點！
4. 多維度結果可視化與性能評估
   算法步驟
5. 數據預處理：
   ? 導入Excel數據集
   ? 構建時序特征矩陣（延時步長=2）
   ? 7:3劃分訓練/測試集
   ? 數據歸一化處理（[-1,1]區間）
6. 基礎模型構建：
   % CNN-BiLSTM結構
   sequenceInputLayer → Conv2D(16) → ReLU → Conv2D(32) → ReLU →
   BiLSTM(30) → FullyConnected → Regression
7. DBO優化流程：
   ? 優化目標函數：fical (適應度函數)
   ? 優化參數：學習率、L2正則化系數、隱藏層節點數
   ? 優化邊界：[1e-3, 0.001, 5] 到 [0.1, 0.03, 100]
   ? 種群規模20，迭代20次
8. 注意力機制集成：
   % SE注意力模塊
   GlobalAvgPooling → FC(16) → ReLU → FC(64) → Sigmoid →
   FeatureWeighting → BiLSTM
9. 性能評估：
   ? 計算RMSE、MAE、MAPE、R2、MSE
   ? 多模型誤差對比分析
   技術路線
   

程序設計

完整代碼私信回復：蜣螂算法+四模型對比！DBO-CNN-BiLSTM-Attention系列四模型多變量時序預測（Matlab完整源碼和數據））

%%  清空環境變量
warning off             % 關閉報警信息
close all               % 關閉開啟的圖窗
clear                   % 清空變量
clc                     % 清空命令行%%  導入數據
result = xlsread('北半球光伏數據.xlsx');%%  數據分析
num_samples = length(result);  % 樣本個數
or_dim = size(result, 2);      % 原始特征+輸出數目
kim =  4;                      % 延時步長（kim個歷史數據作為自變量）
zim =  1;                      % 跨zim個時間點進行預測%%  劃分數據集
for i = 1: num_samples - kim - zim + 1res(i, :) = [reshape(result(i: i + kim - 1, :), 1, kim * or_dim), result(i + kim + zim - 1, :)];
end%%  數據集分析
outdim = 1;                                  % 最后一列為輸出
num_size = 0.7;                              % 訓練集占數據集比例
num_train_s = round(num_size * num_samples); % 訓練集樣本個數
f_ = size(res, 2) - outdim;                  % 輸入特征維度%%  劃分訓練集和測試集
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);%%  數據歸一化
[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);

參考資料

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