1.算法运行效果图预览
(完整程序运行后无水印)
PSO优化过程：
PSO优化前后，模型训练对比：
数据预测对比：
误差回归对比：
2.算法运行软件版本
matlab2022a
3.部分核心程序
（完整版代码包含详细中文注释和操作步骤视频）
```LR = g1(1);
NN1 = floor(g1(2))+1;
if g1(3)<1/3 x1=4; end if g1(3)>=1/3 & g1(3)<2/3 x1=5; end if g1(3)>=2/3
x1=6;
end
if g1(4)<1/3 x2=3; end if g1(4)>=1/3 & g1(4)<2/3 x2=5; end if g1(4)>=2/3
x2=7;
end
CNN_GRN_SAM = func_model2(Nfactor,NN1,x1,x2);
%设置
%迭代次数
%学习率为0.001
opt = trainingOptions('adam', ...
'MaxEpochs', 20, ...
'InitialLearnRate', LR, ...
'LearnRateSchedule', 'piecewise', ...
'LearnRateDropFactor', 0.075, ...
'LearnRateDropPeriod', 200, ...
'Shuffle', 'every-epoch', ...
'Plots', 'training-progress', ...
'Verbose', false);
%训练
[net,INFO] = trainNetwork(Ptrain_reshape, t_train, CNN_GRN_SAM, opt);
Rerr = INFO.TrainingRMSE;
Rlos = INFO.TrainingLoss;
figure
subplot(211)
plot(Rerr)
xlabel('迭代次数')
ylabel('RMSE')
grid on
subplot(212)
plot(Rlos)
xlabel('迭代次数')
ylabel('LOSS')
grid on
%数据预测
tmps = predict(net, Ptest_reshape );
T_pred = mapminmax('reverse', tmps', vmax2);
figure
plot(T_test, 'r')
hold on
plot(T_pred, 'b-x')
legend('真实值', '预测值')
grid on
%%试集结果
figure
plotregression(T_test,T_pred,['回归']);
ERR=mean(abs(T_test-T_pred));
ERR
save R2.mat Rerr Rlos T_test T_pred ERR gb1
180
```
4.算法理论概述
时间序列预测在众多领域中都具有重要的应用价值，如金融市场预测、气象预报、交通流量预测等。传统的时间序列预测方法在处理复杂的非线性时间序列数据时往往表现出一定的局限性。近年来，深度学习技术的发展为时间序列预测提供了新的思路和方法。
网络结构
CNN-GRU-SAM 网络由卷积层、GRU 层、自注意力机制层和全连接层组成。
卷积层用于提取时间序列数据的局部特征；GRU 层用于处理时间序列数据中的长期依赖关系；自注意力机制层用于捕捉时间序列数据中的全局特征；全连接层将提取到的特征进行整合，输出预测结果。
算法流程
1.数据预处理：对时间序列数据进行归一化处理，使其取值范围在([0,1])之间。
2.初始化粒子群：随机生成一组粒子，每个粒子代表一组网络参数。
3.计算适应度值：对于每个粒子，将其对应的网络参数代入 CNN-GRU-SAM 网络中，对训练数据进行预测，并计算预测结果与真实值之间的误差，作为该粒子的适应度值。
4.更新粒子位置和速度：根据粒子的适应度值，更新粒子的个体最优位置和全局最优位置，并根据粒子的位置和速度更新公式，更新粒子的位置和速度。
5.重复步骤 3 和 4，直到满足停止条件（如达到最大迭代次数或适应度值小于某个阈值）。
6.输出最优网络参数：将全局最优位置对应的网络参数作为最优网络参数，代入 CNN-GRU-SAM 网络中，对测试数据进行预测，得到最终的预测结果。
基于 PSO 粒子群优化的 CNN-GRU-SAM 网络时间序列回归预测算法是一种有效的时间序列预测方法。该算法通过结合卷积神经网络、门控循环单元、自注意力机制和粒子群优化算法的优点，能够自动提取时间序列数据中的局部特征、长期依赖关系和全局特征，提高了时间序列预测的准确性和稳定性。同时，该算法还具有较高的效率，能够在较短的时间内处理大规模时间序列数据。
