​CPO-BiTCN-BiGRU回归预测【新！先用先发】

CPO-BiTCN-BiGRU回归预测【新！先用先发】

标 CPO-BiTCN-BiGRU代码获取戳此处CPO-BiTCN-BiGRU代码获取戳此处CPO-BiTCN-BiGRU代码获取戳此处题

 案例数据是某地光伏功率数据，特征包括 气温, 方位角, 云层不透明度, 露点温度, DHI（太阳散射辐射指数）, DNI（太阳直接辐射指数）, GHI（太阳总水平辐射）, GTI（固定倾角辐射）, GTI（跟踪倾角辐射）, 大气可降水量, 相对湿度, 降雪深度, 地面气压, 高度10m风向, 高度10m风速, 天顶角，输出即为实际功率一列。

1.BiTCN层

TCN由具有相同输入和输出长度的扩张因果卷积层组成，结合了CNN和RNN的优势。然而，传统的TCN只对输入序列进行正向卷积计算，只提取正向数据特征，忽略了反向中的隐含信息。因此，采用双向时间卷积结构BiTCN来捕捉前后方向的隐藏特征，以更好地获得功率序列的长时间依赖性！

​

3.基于CPO算法优化的BiTCN-BiGRU模型

但是，BiTCN-BiGRU模型的参数太多了，为了避免人工调参的局限性与盲目性，本文提出了基于冠豪猪算法CPO优化的BiTCN-BiGRU模型。通过优化 学习率，BiGRU的神经元个数，滤波器个数, 正则化参数 四个参数提高其预测精度，减少人工调参。

冠豪猪优化器(Crested Porcupine Optimizer, CPO)是一种新型的元启发式算法（智能优化算法），该成果由Abdel-Basset等人于2024年1月发表在中科院1区SCI期刊Knowledge-Based Systems上，模拟了冠豪猪的各种防御行为，原文作者采用CEC2014、CEC2017和CEC2020三个CEC基准函数对CPO进行了验证，效果非常不错！

构建BiTCN-BiGRU创新点在于：

1. 混合模型架构的设计创新

BiTCN-BiGRU模型 的核心创新之一在于它将BiTCN和BiGRU两种网络架构融合在一起。 TCN通过使用膨胀卷积和残差连接优化了传统卷积神经网络（CNN）在时间序列 分析中的应用，提高了模型对长期数据依赖的捕捉能力。 而BiGRU则在捕获时间序列的前后依赖关系方面表现出色，能够同时考虑过去和未来的信息。 这种混合架构利用了两种方法的优点，既能处理复杂的时间依赖关系，又能提高模型对时间序列动态特征的适应能力。

2. 膨胀卷积和因果卷积的应用

在TCN部分，膨胀卷积的使用大大增加了模型的感受野，使其能够捕捉到更长期的依赖性，而不会显著增加参数数量或计算复杂度。此外，通过应用因果卷积，确保了模型在预测当前时间点的值时，只会使用到当前时间点之前的信息，有效防止了未来信息的泄露。这些技术的应用使得BiTCN-BiGRU模型在处理长序列时间数据时，能够更准确地预测未来的趋势和模式。

3. 双向学习机制的优化

BiGRU部分的双向学习机制是模型另一大创新点。通过在时间序列的正向和反向上分别应用GRU单元，模型能够综合利用过去和未来的信息进行预测。这种机制特别适合于处理那些在时间上具有双向依赖性的序列数据。结合TCN部分的长期依赖捕捉能力，BiTCN-BiGRU模型能够更全面地理解和预测时间序列数据的复杂动态。

4. 网络参数和结构的自动优化

在BiTCN-BiGRU模型的训练过程中，采用了优化算法（如CPO）自动调整网络参数，包括学习率、神经元数量、滤波器数量等。这种自动优化机制不仅减少了手动调参的工作量，还能根据数据特性调整模型结构，从而在不同的时间序列预测任务中达到最佳性能。

使用CPO冠豪猪优化算法创新点在于：

冠豪猪优化器刚刚于2024年1月发表在中科院1区顶级SCI期刊Knowledge-Based Systems上！实验结果表明，NRBO算法在大部分函数上均取得了最优结果！你先用，你就是创新！

​

之前推文有做过CPO和23年新算法RIME的比较，效果显而易见！

​

迭代曲线：

预测结果