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~
目录
之前的一期推文中，我们推出了Attention模型全家桶。将CNN/TCN/LSTM/BiGRU-Attention四种多变量回归模型打包到全家桶中，方便大家选择最适合自己数据的模型。同时，也给了将四种模型的预测结果放到一张图的代码。
今天，我们对注意力全家桶进行更新，将最新推出的BiTCN-Attention模型加入到全家桶中，同时，应后台小伙伴的要求，我们在模型中加入了特征图可视化，不仅能够帮助我们理解模型内部特征、方便诊断和调试模型，更能吸引审稿人的注意力、增加文章的工作量！
此份代码已直接加入到先前的全家桶中，之前已经购买过全家桶的小伙伴可直接免费下载。也跟以前的形式一样，直接Excel替换数据即可！无需更改代码。
废话不多说，接下来介绍下原理与效果图。
原理简介
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。因果卷积的示意图如下图所示：
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。在输入序列的每一层卷积之后，扩张因子呈指数增长。经过几次卷积，BiTCN获得了更大的接受域。BiTCN接受域的增加带来了梯度消失和收敛缓慢等问题。残差块的引入可以避免这些问题，同时实现对序列的高效特征提取。剩余块如图3所示。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，以更好地获得序列的长时间依赖性！BiTCN的网络结构如下图所示！非常新颖！
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，通过并行计算，同时计算一句话中所有元素之间的相似性得分，从而获取全局的信息而非单一上下文的信息，这使得自注意力机制能够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，其相关公式如下所示：
式中：Wq、Wk、Wv为线性变化矩阵；Q、K、V分别为查询向量（query）、键向量（key）和值向量（value）；dk为查询向量和键向量的维度。最后，将注意力权重和值向量进行加权求和，得到自注意力机制的输出。
为了更清晰地展现网络结构与原理，此处将程序中运行出的网络结构图放出，方便大家直观感受此模型结构。
数据介绍
本期采用的数据是经典的回归预测数据集，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（特特征数量不限），无需更改代码，非常方便！
结果展示
设置最大训练次数为200次，初始学习率为0.01，L2正则化系数为0.0001，卷积核个数为64，卷积核大小为5，空间丢失因子为0.1，残差块个数为1，利用上文的回归预测数据集进行预测，划分80%为训练集，20%为测试集，得到的结果如下所示：
测试集预测效果图：
训练集预测效果图：
特征可视化图：
误差直方图：
预测误差图：
四张线性拟合图：
网络结构图：
预测结果显示：
可以看到，BiTCN-Attention在该回归数据集上的预测精度还是不错的，R2达到了0.9以上，MAPE指标仅为0.05，MAE、RMSE也仅为个位数，如果再做几个对比模型，那么文章不就蹭蹭发了吗~
以上结果展示中所有图片，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：要求Matlab2023a版本及以上，没有的文件夹里已免费提供安装包！
全家桶代码目录
目前，全家桶在之前4个模型以及1个画图程序的基础上又增加了一个，共6个，之后还会推出更多更新颖的模型！
正如上文提到的，如果你想快速发paper，或者想要尝试到底哪个模型才最适合你的数据、精度最高，或者需要很多对比模型衬托你的模型的优越性，那么全家桶包含的这么多模型可以说完全符合你的需求！
购买后如果以后推出其他注意力模型，直接免费下载，无需再次付费。
但如果你之后再买，一旦推出新模型，价格必然会上涨。因此，需要创新的小伙伴请尽早下手。
代码获取
1.已将本文算法加入注意力全家桶中，点击下方小卡片，再后台回复关键字：
注意力全家桶
2.如果实在只想要BiTCN-Attention单品的同学，点击下方小卡片，再后台回复关键字，不区分大小写：
BiTCNAttention
更多代码链接：更多代码链接
910
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
