【GRU回归预测】贝叶斯网络优化卷积神经网络结合门控循环单元CNN-GRU预测（多输入单输出）【含Matlab源码 2564期】

⛄一、CNN-GRU数据预测

1 理论基础
1.1 CNN算法
负荷序列数据为一维数据，用一维卷积核对数据进行卷积处理，以获取数据的特征。
现设定卷积核的维度为3，移动步长为1，对输入数据进行卷积，以获得特征图图谱，即：

式中：yj为第j个位置的特征值输出；xj为第j个位置的数据值；uj为第j个位置的卷积核值。

1.2 GRU算法
将经过卷积之后产生的特征序列作为GRU的输入。GRU由LSTM发展而来，LSTM是RNN的变体。RNN网络通过对输入信号的循环保证了信号的持续存在。LSTM是由RNN网络改进而来，在RNN的基础上加入了记忆单元和门机制，有效地解决了长序列训练中存在的梯度消失和梯度爆炸问题。

LSTM用输入门、遗忘门和输出门3个门函数来控制输入值、遗忘值和输出值。GRU网络较LSTM网络有所简化，GRU网络由新门和重置门两个门函数构成，其结构如图1所示。

图1 GRU的网络结构图
zt为更新门，用来决定上一层隐藏层状态中有多