当前位置：首页 > news >正文

这个组合模型挺有意思的，咱们拆开看看怎么玩。先说核心思路：用粒子群算法给BiLSTM找最佳参数，再让注意力机制帮模型抓住重点特征。下面这段是参数优化的核心代码

news 2026/6/4 9:45:39

PSO-BiLSTM-Attention基于粒子群算法优化双向长短期记忆神经网络结合SE注意力机制的多变量回归组合预测模型 Matlab语言可直接运行 1.多变量单输出，也可替换为时间序列单列预测，粒子群算法也可替换为其他优化算法（如灰狼、蜣螂）。 Matlab版本最好在2020B及以上。使用粒子群优化的参数为：学习率，隐藏层节点数，正则化参数。评价指标包括:R2、MAE、RMSE和MAPE等，出图效果如图1所示，可完全满足您的需求 2.直接替换Excel数据即可用，注释清晰，适合新手小白 3.附赠示例数据，输入格式如图3所示（不同特征数量均可）运行main文件一键出图

function [best_params, convergence_curve] = PSO(Data) % 粒子群参数设置 n_particles = 20; % 小样本测试用，正式可以调大 max_iter = 50; dim = 3; % 优化学习率、隐藏节点数、正则化参数 % 参数范围设定 bounds = [0.001, 0.1; % 学习率范围 50, 200; % 隐藏节点数 0.0001, 0.01]; % 正则化系数 % 初始化粒子群 particles = struct('position',[],'velocity',[],'cost',[],'best',[]); for i=1:n_particles particles(i).position = bounds(:,1) + (bounds(:,2)-bounds(:,1)).*rand(dim,1); particles(i).velocity = zeros(dim,1); particles(i).cost = cost_function(particles(i).position, Data); particles(i).best.position = particles(i).position; particles(i).best.cost = particles(i).cost; end % 迭代优化过程 for iter=1:max_iter for i=1:n_particles % 更新速度和位置（这里简化了邻域最优计算） inertia = 0.6; cognitive = 1.4 * rand(); social = 1.4 * rand(); particles(i).velocity = inertia * particles(i).velocity + ... cognitive * rand(dim,1).*(particles(i).best.position - particles(i).position) + ... social * rand(dim,1).*(global_best.position - particles(i).position); particles(i).position = particles(i).position + particles(i).velocity; % 边界处理 particles(i).position = max(particles(i).position, bounds(:,1)); particles(i).position = min(particles(i).position, bounds(:,2)); % 评估新位置 current_cost = cost_function(particles(i).position, Data); if current_cost < particles(i).best.cost particles(i).best.position = particles(i).position; particles(i).best.cost = current_cost; end end % 记录收敛曲线 convergence_curve(iter) = global_best.cost; end end

这段代码有几个注意点：粒子速度更新公式里的系数设置比较讲究，正式用的时候建议加上自适应调整。边界处理用到了矩阵运算，比逐元素判断更高效。实际运行时可以加个并行计算，把每个粒子的cost评估放到parfor里加速。

接下来看模型结构的关键部分，这里用到了双向LSTM和SE注意力：

function net = create_model(inputSize, numHiddenUnits, learningRate, regParam) layers = [ sequenceInputLayer(inputSize) bilstmLayer(numHiddenUnits,'OutputMode','sequence') squeezeLayer % 自定义层处理维度 % SE注意力模块 functionLayer(@(X) se_block(X), 'Formattable', true) fullyConnectedLayer(64) reluLayer fullyConnectedLayer(1) regressionLayer ]; options = trainingOptions('adam', ... 'LearnRate', learningRate, ... 'L2Regularization', regParam, ... 'MaxEpochs', 200, ... 'Plots', 'none'); net = trainNetwork(XTrain, YTrain, layers, options); end % SE注意力实现 function Y = se_block(X) [h, w, c] = size(X); squeeze = mean(X, [1 2]); % 全局平均池化 excitation = fullyconnect(squeeze, c/4, 'WeightsInitializer','he')... relu... fullyconnect(c, 'WeightsInitializer','he')... sigmoid; Y = X .* reshape(excitation,1,1,c); end

这个SE模块的实现用了函数层，好处是不用自定义层类。注意通道压缩比例设为4，这个参数对计算量影响挺大。双向LSTM的输出模式要用sequence才能保留时间维度信息，后面接的squeeze层是为了去掉多余的维度。

新手使用时最容易出错的地方是数据预处理，这里给出标准化的正确姿势：

% 数据预处理 data = readmatrix('your_data.xlsx'); [~, ~, data_norm] = normalize(data); % 2020b新增的语法 % 滑动窗口构造时序样本 lookback = 12; % 根据数据周期调整 [XTrain, YTrain] = create_dataset(data_norm, lookback); % 数据集拆分 train_ratio = 0.8; split_idx = floor(size(XTrain,1)*train_ratio); XVal = XTrain(split_idx+1:end,:); YVal = YTrain(split_idx+1:end); XTrain = XTrain(1:split_idx,:); YTrain = YTrain(1:split_idx);

滑动窗口的实现要注意别把未来数据泄露到输入里。数据标准化一定要用训练集统计量来处理验证/测试集，这个坑很多人踩过。

最后是结果可视化部分，可以这样展示预测效果：

% 预测结果反标准化 pred = predict(net, XTest); pred = pred * data_std(end) + data_mean(end); % 假设目标在最后一列 % 绘制对比曲线 figure('Position',[200,200,800,400]) plot(YTest, 'LineWidth',1.5) hold on plot(pred, '--') legend('真实值','预测值') title(['R2=',num2str(r2_score),' MAPE=',num2str(mape_score)]) xlabel('时间步') ylabel('目标值') grid on % 附加注意力权重可视化 attention_weights = get_attention_weights(net, XTest); figure imagesc(attention_weights) title('特征注意力热力图') xlabel('时间步') ylabel('特征维度') colorbar

画图时建议用真实的日期标签代替时间步，如果数据有时间戳的话。注意力热力图的解读要注意，颜色深浅代表特征在不同时间步的重要性，可以辅助分析模型关注点。

整套代码跑起来大概需要5-15分钟（取决于数据量和粒子数），记得在运行前检查：