今天为大家带来一期CPO-BiTCN-BiGRU回归预测代码，采用2024年顶级SCI期刊《Knowledge-BasedSystems》上刚出来的CPO优化算法进行优化！这个模型是作者独家原创的！完全可以当作创新点！任何学术平台都搜索不到，创新性极高！直接替换Excel数据即可用！特别需要指出的是，别说加了CPO优化算法，就算不加优化算法，我们学术平台上搜索BiTCN-BiGRU，也是完全搜索不到这个模型的！！！知网平台：

WOS平台：

作者采用的案例数据是某地光伏功率数据，特征包括气温, 方位角, 云层不透明度, 露点温度, DHI（太阳散射辐射指数）, DNI（太阳直接辐射指数）, GHI（太阳总水平辐射）, GTI（固定倾角辐射）, GTI（跟踪倾角辐射）, 大气可降水量, 相对湿度, 降雪深度, 地面气压, 高度10m风向, 高度10m风速, 天顶角，输出即为实际功率一列。

在实际处理时，由于光伏白天不发电，因此作者把功率为0的行都删除了！同时，由于时间关系，作者这边只选取了2022年1月份31天的功率数据进行预测，如图所示。更换自己的数据时，只需最后一列放想要预测的列，其余列放特征即可，无需更改代码，非常方便！模型介绍

TCN由具有相同输入和输出长度的扩张因果卷积层组成，结合了CNN和RNN的优势。然而，传统的TCN只对输入序列进行正向卷积计算，只提取正向数据特征，忽略了反向中的隐含信息。因此，采用双向时间卷积结构BiTCN来捕捉前后方向的隐藏特征，以更好地获得功率序列的长时间依赖性！BiTCN的网络结构如下图所示！非常新颖！

接着，利用BiGRU层来进一步处理BiTCN的输出，通过考虑时间序列的前后文信息来提高预测的准确性，进一步提高预测精度！整个模型的结构如下图所示：

但是，BiTCN-BiGRU模型的参数太多了，为了避免人工调参的局限性与盲目性，本文提出了基于冠豪猪算法CPO优化的BiTCN-BiGRU模型。通过优化学习率，BiGRU的神经元个数，滤波器个数, 正则化参数四个参数提高其预测精度，减少人工调参。

冠豪猪优化器(Crested Porcupine Optimizer, CPO)是一种新型的元启发式算法（智能优化算法），该成果由Abdel-Basset等人于2024年1月发表在中科院1区SCI期刊Knowledge-Based Systems上，模拟了冠豪猪的各种防御行为，原文作者采用CEC2014、CEC2017和CEC2020三个CEC基准函数对CPO进行了验证，效果非常不错！

适用平台：Matlab2022及以上，没有的可免费提供安装包！?

1. 混合模型架构的设计创新

BiTCN-BiGRU模型的核心创新之一在于它将BiTCN和BiGRU两种网络架构融合在一起。TCN通过使用膨胀卷积和残差连接优化了传统卷积神经网络（CNN）在时间序列分析中的应用，提高了模型对长期数据依赖的捕捉能力。而BiGRU则在捕获时间序列的前后依赖关系方面表现出色，能够同时考虑过去和未来的信息。这种混合架构利用了两种方法的优点，既能处理复杂的时间依赖关系，又能提高模型对时间序列动态特征的适应能力。

2. 膨胀卷积和因果卷积的应用

在TCN部分，膨胀卷积的使用大大增加了模型的感受野，使其能够捕捉到更长期的依赖性，而不会显著增加参数数量或计算复杂度。此外，通过应用因果卷积，确保了模型在预测当前时间点的值时，只会使用到当前时间点之前的信息，有效防止了未来信息的泄露。这些技术的应用使得BiTCN-BiGRU模型在处理长序列时间数据时，能够更准确地预测未来的趋势和模式。

3. 双向学习机制的优化

BiGRU部分的双向学习机制是模型另一大创新点。通过在时间序列的正向和反向上分别应用GRU单元，模型能够综合利用过去和未来的信息进行预测。这种机制特别适合于处理那些在时间上具有双向依赖性的序列数据。结合TCN部分的长期依赖捕捉能力，BiTCN-BiGRU模型能够更全面地理解和预测时间序列数据的复杂动态。

4. 网络参数和结构的自动优化

在BiTCN-BiGRU模型的训练过程中，采用了优化算法（如CPO）自动调整网络参数，包括学习率、神经元数量、滤波器数量等。这种自动优化机制不仅减少了手动调参的工作量，还能根据数据特性调整模型结构，从而在不同的时间序列预测任务中达到最佳性能。

冠豪猪优化器刚刚于2024年1月发表在中科院1区顶级SCI期刊Knowledge-Based Systems上！实验结果表明，NRBO算法在大部分函数上均取得了最优结果！?你先用，你就是创新！

之前推文有做过?CPO和23年新算法RIME的比较，效果显而易见！

迭代曲线：

由于时间关系，这里只跑了6次，实际使用时可跑更多次取得更好的效果！

训练集预测结果：

测试集预测结果：

可以看到，预测值非常贴近实际曲线，甚至可以说是完美一致！

线性拟合图：

误差直方图：

模型结构图：

预测结果指标：