1.Matlab实现SSA-CNN-LSTM-Attention麻雀优化卷积长短期记忆网络注意力机制多变量时间序列预测； 2.运行环境为Matlab2021b； 3..data为数据集，excel数据，输入多个特征，输出单个变量，考虑历史特征的影响，多变量时间序列预测， main.m为主运行即可,所有文件放在一个文件夹； 4.命令窗口输出R2、MSE、MAE、MAPE和MBE多指标评价； 5.麻雀算法优化学习率，隐藏层节点，正则化系数； 6.注意力机制模块： SEBlock（Squeeze-and-Excitation Block）是一种聚焦于通道维度而提出一种新的结构单元，为模型添加了通道注意力机制，该机制通过添加各个特征通道的重要程度的权重，针对不同的任务增强或者抑制对应的通道，以此来提取有用的特征。 该模块的内部操作流程如图，总体分为三步：首先是Squeeze 压缩操作，对空间维度的特征进行压缩，保持特征通道数量不变。 融合全局信息即全局池化，并将每个二维特征通道转换为实数。 实数计算公式如公式所示。 该实数由k个通道得到的特征之和除以空间维度的值而得，空间维数为H*W。 其次是Excitation激励操作，它由两层全连接层和Sigmoid函数组成。 如公式所示，s为激励操作的输出，σ为激活函数sigmoid，W2和W1分别是两个完全连接层的相应参数，δ是激活函数ReLU，对特征先降维再升维。 最后是Reweight操作，对之前的输入特征进行逐通道加权，完成原始特征在各通道上的重新分配。

这次咱们要搞个有意思的玩意——用麻雀算法调教的CNN-LSTM混合网络，再配上注意力机制，来预测多变量时间序列。先看效果：在风电功率预测数据集上，R2能到0.93以上，MAPE控制在5%以内。下面直接上干货。

数据预处理是灵魂

老规矩，先读取Excel数据。这里有个坑要注意：Matlab的readtable函数对中文路径支持不太好，建议先用绝对路径测试。

data = readtable('data.xlsx');
features = data{:, 1:end-1};  % 前N列作为特征
target = data{:, end};        % 最后一列作为预测目标

% 归一化处理（重点！）
[featuresNorm, f_mean, f_std] = zscore(features);
[targetNorm, t_mean, t_std] = zscore(target);

时间序列样本构造用滑动窗口法，这里设置历史步长为24（根据业务场景调整）：

windowSize = 24;
X = []; Y = [];
for i = 1:length(targetNorm)-windowSize
    X = cat(3, X, featuresNorm(i:i+windowSize-1, :)');  % 三维数据
    Y = [Y; targetNorm(i+windowSize)];
end

模型架构有点东西

核心网络结构是CNN抓局部特征+LSTM处理时序+注意力机制筛选关键信息。来看SE Block的实现：

function layer = seBlock(numChannels, reductionRatio)
    % Squeeze操作
    squeeze = globalAveragePooling2dLayer('Name','gap');
    
    % Excitation操作
    excitation = [
        fullyConnectedLayer(numChannels/reductionRatio, 'Name','fc1')
        reluLayer
        fullyConnectedLayer(numChannels, 'Name','fc2')
        sigmoidLayer
    ];
    
    % 组合成SE模块
    layer = [
        squeeze
        excitation
        multiplicationLayer(2,'Name','channel_scale')
    ];
end

这个模块的精妙之处在于：先通过全局池化压缩空间信息，再用两个全连接层生成通道权重。最后的重加权操作相当于给每个特征通道装了个音量旋钮。

1.Matlab实现SSA-CNN-LSTM-Attention麻雀优化卷积长短期记忆网络注意力机制多变量时间序列预测； 2.运行环境为Matlab2021b； 3..data为数据集，excel数据，输入多个特征，输出单个变量，考虑历史特征的影响，多变量时间序列预测， main.m为主运行即可,所有文件放在一个文件夹； 4.命令窗口输出R2、MSE、MAE、MAPE和MBE多指标评价； 5.麻雀算法优化学习率，隐藏层节点，正则化系数； 6.注意力机制模块： SEBlock（Squeeze-and-Excitation Block）是一种聚焦于通道维度而提出一种新的结构单元，为模型添加了通道注意力机制，该机制通过添加各个特征通道的重要程度的权重，针对不同的任务增强或者抑制对应的通道，以此来提取有用的特征。 该模块的内部操作流程如图，总体分为三步：首先是Squeeze 压缩操作，对空间维度的特征进行压缩，保持特征通道数量不变。 融合全局信息即全局池化，并将每个二维特征通道转换为实数。 实数计算公式如公式所示。 该实数由k个通道得到的特征之和除以空间维度的值而得，空间维数为H*W。 其次是Excitation激励操作，它由两层全连接层和Sigmoid函数组成。 如公式所示，s为激励操作的输出，σ为激活函数sigmoid，W2和W1分别是两个完全连接层的相应参数，δ是激活函数ReLU，对特征先降维再升维。 最后是Reweight操作，对之前的输入特征进行逐通道加权，完成原始特征在各通道上的重新分配。

麻雀算法调参真香

传统调参太费劲，上麻雀优化！设定要优化的参数范围：

ssa_params = struct(...
    'pop_size', 30, ...
    'max_iter', 50, ...
    'lb', [1e-4, 10, 1e-6],  % 学习率下限、隐藏单元下限、正则化下限
    'ub', [1e-2, 200, 1e-3]  % 对应参数上限
);

目标函数里藏着模型训练过程。注意这里用了并行加速：

function [fitness] = objectiveFunc(params)
    lr = params(1);
    numHidden = round(params(2));
    reg = params(3);
    
    parfor i = 1:3  % 三次交叉验证
        net = createModel(lr, numHidden, reg); % 创建模型
        [~, valRMSE] = trainNetwork(...);      % 训练过程
        totalRMSE(i) = valRMSE;
    end
    fitness = mean(totalRMSE);
end

训练过程中的黑科技

在自定义训练循环里加入早停机制，防止过拟合：

patience = 10;
bestLoss = inf;
epoch = 0;

while epoch < maxEpochs && patience > 0
    epoch = epoch + 1;
    
    % 前向传播
    [loss, gradients] = dlfeval(@modelGradients, ...);
    
    % 更新参数
    [net, optimizer] = adamupdate(...);
    
    % 早停判断
    if loss < bestLoss
        bestLoss = loss;
        patience = 10;
    else
        patience = patience - 1;
    end
end

结果输出要够专业

评价指标计算别手软，MBE（平均偏差）这个指标很多人会漏掉：

pred = predict(net, XTest);
pred = pred * t_std + t_mean;  % 反归一化

R2 = 1 - sum((YTest - pred).^2)/sum((YTest - mean(YTest)).^2);
MSE = mean((YTest - pred).^2);
MAE = mean(abs(YTest - pred));
MAPE = mean(abs((YTest - pred)./YTest)) * 100;
MBE = mean(YTest - pred);  % 系统偏差方向判断

disp(['R2: ', num2str(R2)]);
disp(['MBE: ', num2str(MBE)]);

实际运行时会看到这样的输出：

| 迭代次数 | 最佳适应度值 |
|----------|--------------|
| 1        | 0.35421      |
| 15       | 0.28743      |
| 30       | 0.26511      |

最后提醒：记得把所有自定义层放在layers文件夹，数据文件别移动位置。遇到维度报错先检查输入数据是否为[numFeatures, windowSize, numSamples]的三维结构。麻雀算法可能陷入局部最优，多跑几次取最优解。