基于蜣螂算法优化DBO-Transformer实现光伏数据回归预测附matlab代码 标准.rar

function [error,T_sim1,T_sim2]=Transformer(x,p_train, t_train,p_test,T_train , T_test,M,N,NN, ps_output) outdim = 1; % 最后一列为输出 f_ = NN - outdim; % 输入特征维度 %% 导入数据 % res = xlsread('data.xlsx'); %% 数据分析 % num_size = 0.8; % 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 % res = res(randperm(num_samples), :); % 打乱数据集（不希望打乱时，注释该行） % num_train_s = round(num_size * num_samples); % 训练集样本个数 % % % %% 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)'; % 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 % 将数据平铺成1维数据只是一种处理方式 % 也可以平铺成2维数据，以及3维数据，需要修改对应模型结构 % 但是应该始终和输入层数据结构保持一致 % P_train = double(reshape(P_train, f_, 1, 1, M)); % P_test = double(reshape(P_test , f_, 1, 1, N)); % % t_train = t_train'; % t_test = t_test' ; % % %% 数据格式转换 % for i = 1 : M % p_train{i, 1} = P_train(:, :, 1, i); % end % % for i = 1 : N % p_test{i, 1} = P_test( :, :, 1, i); % end %% 创建模型 %网络搭建 numChannels = f_; maxPosition = 256; numHeads = 4; numKeyChannels = numHeads*32; layers = [ sequenceInputLayer(numChannels,Name="input") positionEmbeddingLayer(numChannels,maxPosition,Name="pos-emb"); additionLayer(2, Name="add") selfAttentionLayer(numHeads,numKeyChannels,'AttentionMask','causal') selfAttentionLayer(numHeads,numKeyChannels) indexing1dLayer("last") fullyConnectedLayer(1) regressionLayer]; lgraph = layerGraph(layers); lgraph = connectLayers(lgraph,"input","add/in2"); %% 参数设置 options = trainingOptions('adam', ... % Adam 梯度下降算法 'MaxEpochs', 200, ... % 最大训练次数 'InitialLearnRate', x(1), ... % 初始学习率 'LearnRateSchedule', 'piecewise', ... % 学习率下降 'LearnRateDropFactor', x(2), ... % 学习率下降因子 'LearnRateDropPeriod', 200, ... % 经过训练后 学习率 'Shuffle', 'every-epoch', ... % 每次训练打乱数据集 'Verbose', false); %% 训练模型 net = trainNetwork(p_train, t_train, lgraph, options); %% 仿真预测 t_sim1 = predict(net, p_train); t_sim2 = predict(net, p_test ); %% 数据反归一化 T_sim1 = mapminmax('reverse', t_sim1', ps_output); T_sim2 = mapminmax('reverse', t_sim2', ps_output); % %% 查看网络结构 % analyzeNetwork(net) % %% 均方根误差 error1 = sqrt(sum((T_sim1 - T_train).^2) ./ M); error2 = sqrt(sum((T_sim2 - T_test ).^2) ./ N); error=(error2+error1)/2 % % %% 相关指标计算 % % R2 % R1 = 1 - norm(T_train - T_sim1)^2 / norm(T_train - mean(T_train))^2; % R2 = 1 - norm(T_test - T_sim2)^2 / norm(T_test - mean(T_test ))^2; % % disp(['训练集数据的R2为：', num2str(R1)]) % disp(['测试集数据的R2为：', num2str(R2)]) % % % MAE % mae1 = sum(abs(T_sim1 - T_train)) ./ M ; % mae2 = sum(abs(T_sim2 - T_test )) ./ N ; % % disp(['训练集数据的MAE为：', num2str(mae1)]) % disp(['测试集数据的MAE为：', num2str(mae2)]) % % %% 平均绝对百分比误差MAPE % MAPE1 = mean(abs((T_train - T_sim1)./T_train)); % MAPE2 = mean(abs((T_test - T_sim2)./T_test)); % % disp(['训练集数据的MAPE为：', num2str(MAPE1)]) % disp(['测试集数据的MAPE为：', num2str(MAPE2)]) % % % MBE % mbe1 = sum(T_sim1 - T_train) ./ M ; % mbe2 = sum(T_sim2 - T_test ) ./ N ; % % disp(['训练集数据的MBE为：', num2str(mbe1)]) % disp(['测试集数据的MBE为：', num2str(mbe2)]) % % %均方误差 MSE % mse1 = sum((T_sim1 - T_train).^2)./M; % mse2 = sum((T_sim2 - T_test).^2)./N; % % disp(['训练集数据的MSE为：', num2str(mse1)]) % disp(['测试集数据的MSE为：', num2str(mse2)]) % % % %% 绘图 % figure % plot(T_sim1,'-p','Color',[255 0 0]./255,'linewidth',1,'Markersize',2,'MarkerFaceColor','b') % hold on % plot(T_train,'-^','Color',[50 50 50]./255,'linewidth',1,'Markersize',2,'MarkerFaceColor','r') % legend('预测值','真实值') % xlabel('预测样本') % ylabel('预测结果') % string = {'训练集预测结果对比'; ['RMSE=' num2str(error1)]}; % title(string) % xlim([1, M]) % grid % ax=gca;hold on % % ------------------------------------------------------------------------- % % 坐标区域修饰 % ax.XLabel.FontWeight='bold'; % ax.YLabel.FontWeight='bold'; % % 设置轴线粗细和刻度朝外 % ax.LineWidth=1; % ax.TickDir='out'; % %% 训练集误差图 % figure % bar((T_sim1 - T_train)./T_train) % legend('模型训练集相对误差','Location','NorthEast','FontName','楷体') % title('模型训练集相对误差','fontsize',12,'FontName','楷体') % ylabel('误差','fontsize',12,'FontName','楷体') % xlabel('样本','fontsize',12,'FontName','楷体') % xlim([1 M]); % % figure % plot(T_sim2,'-p','Color',[255 0 0]./255,'linewidth',1,'Markersize',2,'MarkerFaceColor','b') % hold on % plot(T_test,'-^','Color',[50 50 50]./255,'linewidth',1,'Markersize',2,'MarkerFaceColor','r') % legend('预测值','真实值') % xlabel('预测样本') % ylabel('预测结果') % string = {'测试集预测结果对比'; ['RMSE=' num2str(error2)]}; % title(string) % xlim([1, N]) % grid % ax=gca;hold on % % ------------------------------------------------------------------------- % % 坐标区域修饰 % ax.XLabel.FontWeight='bold'; % ax.YLabel.FontWeight='bold'; % % 设置轴线粗细和刻度朝外 % ax.LineWidth=1; % ax.TickDir='out'; % %% 测试集误差图 % figure % bar((T_sim2 - T_test )./T_test) % legend('模型测试集相对误差','Location','NorthEast','FontName','楷体') % title('模型测试集相对误差','fontsize',12,'FontName','楷体') % ylabel('误差','fontsize',12,'FontName','楷体') % xlabel('样本','fontsize',12,'FontName','楷体') % xlim([1 N]); % % %% 绘制线性拟合图 % %% 训练集拟合效果图 % figure % plot(T_train,T_sim1,'s','Markersize',2); % xlabel('真实值') % ylabel('预测值') % string = {'训练集效果图';['R^2_c=' num2str(R1) ' RMSEC=' num2str(error1) ]}; % title(string) % hold on ;h=lsline; % set(h,'LineWidth',2,'LineStyle','-','Color',[1 1 0]) % %% 预测集拟合效果图 % figure % plot(T_test,T_sim2,'s','Markersize',2); % xlabel('真实值') % ylabel('预测值') % string1 = {'测试集效果图';['R^2_p=' num2str(R2) ' RMSEP=' num2str(error2) ]}; % title(string1) % hold on ;h=lsline(); % set(h,'LineWidth',2,'LineStyle','-','Color',[1 1 0])