【CPO-TCN-BiGRU-Attention回归预测】基于冠豪猪算法CPO优化时间卷积双向门控循环单元融合注意力机制TCN-BiGRU-Attention多变量回归预测，多变量输入模型。matla

【CPO-TCN-BiGRU-Attention回归预测】基于冠豪猪算法CPO优化时间卷积双向门控循环单元融合注意力机制TCN-BiGRU-Attention多变量回归预测，多变量输入模型。matlab代码，2023a及其以上。

评价指标包括:R2、MAE、MSE、RMSE和MAPE等，代码质量极高，方便学习和替换数据。参数可方便更改，程序和excel数据放在一个文件夹，注释明细。

CPO算法被用于优化TCN-BiGRU-Attention模型的参数，包括学习率、神经元个数、正则化参数、注意力机制键值参数等，以RMSE为适应度函数，不断更新参数值，以寻找模型的最优参数组合，提高模型的预测精度。

%% 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 = 0.75; % 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

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

flag_conusion = 1; % 标志位为1，打开混淆矩阵（要求2018版本及以上）

%% 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)';

P_test = res(num_train_s + 1: end, 1: f_)';

T_test = res(num_train_s + 1: end, f_ + 1: end)';

%% 划分训练集和测试集

M = size(P_train, 2);

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);

智能算法及其模型预测