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。

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

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：

1. Excel数据是否第一列是时间戳（可选）
2. 特征列是否连续无缺失
3. 输出目标是否在最后一列
4. Matlab有没有安装Deep Learning Toolbox

遇到报错先看这几点，基本上新手都能跑起来。想替换其他优化算法的话，把PSO函数换成GWO或者蜣螂算法的实现就行，注意保持参数传递接口一致。