先用先发！注意力机制+时空融合！组合双向集成学习预测！CNN-BiLSTM-Attention-Adaboost多变量负荷预测...

蔡千年

于 2024-09-02 02:30:54 发布

阅读量37

点赞数

文章标签：集成学习 cnn 机器学习人工智能神经网络

先用先发！注意力机制+时空融合！组合双向集成学习预测！CNN-BiLSTM-Attention-Adaboost多变量负荷预测

效果一览

先用先发！注意力机制+时空融合！组合双向集成学习预测！CNN-BiLSTM-Attention-Adaboost多变量负荷预测_Adaboost

先用先发！注意力机制+时空融合！组合双向集成学习预测！CNN-BiLSTM-Attention-Adaboost多变量负荷预测_CNN-BiLSTM_02

先用先发！注意力机制+时空融合！组合双向集成学习预测！CNN-BiLSTM-Attention-Adaboost多变量负荷预测_多变量负荷预测_03

先用先发！注意力机制+时空融合！组合双向集成学习预测！CNN-BiLSTM-Attention-Adaboost多变量负荷预测_Adaboost_04

先用先发！注意力机制+时空融合！组合双向集成学习预测！CNN-BiLSTM-Attention-Adaboost多变量负荷预测_CNN-BiLSTM_05

先用先发！注意力机制+时空融合！组合双向集成学习预测！CNN-BiLSTM-Attention-Adaboost多变量负荷预测_Adaboost_06

先用先发！注意力机制+时空融合！组合双向集成学习预测！CNN-BiLSTM-Attention-Adaboost多变量负荷预测_Adaboost_07

先用先发！注意力机制+时空融合！组合双向集成学习预测！CNN-BiLSTM-Attention-Adaboost多变量负荷预测_Adaboost_08

基本介绍

1.Matlab实现CNN-BiLSTM-Attention-Adaboost时间序列预测，卷积双向长短期记忆神经网络注意力机制结合AdaBoost多变量时间序列预测（负荷预测）；注意力机制+时空特征融合！组合模型集成学习预测！CNN-BiLSTM-Attention-Adaboost多变量负荷预测；

CNN-BiLSTM-Attention-AdaBoost是一种将CNN-BiLSTM-Attention和AdaBoost两种机器学习技术结合起来使用的方法，旨在提高模型的性能和鲁棒性。具体而言，AdaBoost则是一种集成学习方法，它将多个弱学习器组合起来形成一个强学习器，其中每个学习器都是针对不同数据集和特征表示训练的。CNN-BiLSTM-Attention-AdaBoost算法的基本思想是将CNN-BiLSTM-Attention作为基模型，利用AdaBoost算法对其进行增强。具体而言，我们可以训练多个CNN-BiLSTM-Attention模型，每个模型使用不同的数据集和特征表示，然后将它们的预测结果组合起来，形成一个更准确和鲁棒的模型。

2.运行环境为Matlab2023b；

3.data为数据集，excel数据，多输入单输出时间序列数据，main.m为主程序，运行即可,所有文件放在一个文件夹；

4.命令窗口输出R2、MAE、MAPE、MSE、RMSE多指标评价；

先用先发！注意力机制+时空融合！组合双向集成学习预测！CNN-BiLSTM-Attention-Adaboost多变量负荷预测_多变量负荷预测_09

程序设计

完整程序和数据获取方式私信博主回复组合双向集成学习预测！CNN-BiLSTM-Attention-Adaboost多变量负荷预测（Matlab）。

%%  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



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);

%%  数据平铺

for i = 1:size(P_train,2)
    trainD{i,:} = (reshape(p_train(:,i),size(p_train,1),1,1));
end

for i = 1:size(p_test,2)
    testD{i,:} = (reshape(p_test(:,i),size(p_test,1),1,1));
end


targetD =  t_train;
targetD_test  =  t_test;

numFeatures = size(p_train,1);


layers0 = [ ...
    % 输入特征
    sequenceInputLayer([numFeatures,1,1],'name','input')   %输入层设置
    sequenceFoldingLayer('name','fold')         %使用序列折叠层对图像序列的时间步长进行独立的卷积运算。
    % CNN特征提取
    convolution2dLayer([3,1],16,'Stride',[1,1],'name','conv1')  %添加卷积层，64，1表示过滤器大小，10过滤器个数，Stride是垂直和水平过滤的步长
    batchNormalizationLayer('name','batchnorm1')  % BN层，用于加速训练过程，防止梯度消失或梯度爆炸
    reluLayer('name','relu1')       % ReLU激活层，用于保持输出的非线性性及修正梯度的问题
      % 池化层
    maxPooling2dLayer([2,1],'Stride',2,'Padding','same','name','maxpool')   % 第一层池化层，包括3x3大小的池化窗口，步长为1，same填充方式
    % 展开层
    sequenceUnfoldingLayer('name','unfold')       %独立的卷积运行结束后，要将序列恢复
    %平滑层
    flattenLayer('name','flatten')
    
    bilstmLayer(25,'Outputmode','last','name','hidden1') 
    dropoutLayer(0.1,'name','dropout_1')        % Dropout层，以概率为0.2丢弃输入
    selfAttentionLayer(2,16,"Name","selfattention")                           % 多头自注意力机制层
    fullyConnectedLayer(1,'name','fullconnect')   % 全连接层设置（影响输出维度）（cell层出来的输出层） %
    regressionLayer('Name','output')    ];
    
lgraph0 = layerGraph(layers0);
lgraph0 = connectLayers(lgraph0,'fold/miniBatchSize','unfold/miniBatchSize');