灰狼算法+四模型对比！GWO-CNN-BiLSTM-Attention系列四模型多变量时序预测

代码主要功能
该代码实现了一个多模型融合的时间序列预测，结合了CNN-BiLSTM基础模型、注意力机制和灰狼优化算法（GWO），对给定的时序数据集进行预测和性能对比。主要功能包括：

1. 数据预处理与特征重构
2. 四种模型训练与预测：
   • CNN-BiLSTM基础模型
   • GWO优化的CNN-BiLSTM
   • CNN-BiLSTM-Attention模型
   • GWO优化的CNN-BiLSTM-Attention
3. 超参数自动优化（GWO算法）灰狼算法（Grey Wolf Optimizer, GWO）是一种受自然界灰狼行为启发的优化算法。它模拟了灰狼的社会层次和狩猎策略，其中灰狼被分为四种角色：狼首领（Alpha）、狼副手（Beta）、狈顾问（Delta）和打工狼（Omega）。这种层次结构帮助灰狼以高效的方式组织狩猎和资源分配。
4. 多维度结果可视化与性能评估
   算法步骤
5. 数据预处理：
   • 导入Excel数据集
   • 构建时序特征矩阵（延时步长=2）
   • 7:3划分训练/测试集
   • 数据归一化处理（[-1,1]区间）
6. 基础模型构建：
   % CNN-BiLSTM结构
   sequenceInputLayer → Conv2D(16) → ReLU → Conv2D(32) → ReLU →
   BiLSTM(30) → FullyConnected → Regression
7. GWO优化流程：
   • 优化目标函数：fical (适应度函数)
   • 优化参数：学习率、L2正则化系数、隐藏层节点数
   • 优化边界：[1e-3, 0.001, 5] 到 [0.1, 0.03, 100]
   • 种群规模，迭代
8. 注意力机制集成：
   % SE注意力模块
   GlobalAvgPooling → FC(16) → ReLU → FC(64) → Sigmoid →
   FeatureWeighting → BiLSTM
9. 性能评估：
   • 计算RMSE、MAE、MAPE、R²、MSE
   • 多模型误差对比

运行环境要求

1. MATLAB版本：R2020b或更高
2. 文件依赖：
   • 数据集.xlsx (输入数据)
   • fical.m (适应度函数)
   • GWO.m (优化算法)
   • radarChart.m (雷达图工具)
   应用场景
3. 电力负荷预测：基于历史电力数据预测负载
4. 股票价格预测：金融时间序列分析
5. 气象预报：温度/湿度等气象参数预测
6. 工业设备预测性维护：设备运行状态趋势预测
7. 交通流量预测：城市交通管理系统
   创新点分析
8. 多模型融合架构：
   • CNN提取空间特征 + BiLSTM捕获时序依赖 + 注意力机制聚焦关键特征
9. 智能优化：
   • 采用GWO自动搜索最优超参数组合
10. 全方位评估体系：
    • 多种可视化对比(雷达图/误差分布/预测曲线等)
    • 多个评价指标(RMSE/MAE/MAPE/R²/MSE)
11. 工程实践优化：
    • 数据平铺处理适应不同维度输入
    • 早停机制防止过拟合
    注：实际应用中需调整超参数边界和迭代次数，以获得更优性能。工业级部署时建议启用GPU加速。

代码获取私信回复灰狼算法+四模型对比！GWO-CNN-BiLSTM-Attention系列四模型多变量时序预测