本期代码主要功能为：采用6种2024新算法优化BiTCN-SVM模型的8个参数，分别是：滤波器大小，丢弃率，TCN残差块数，滤波器个数，最大训练次数，学习率，SVM的c和SVM的gamma。并进行了优化前后的结果比较。

6种算法如下：阿尔法进化算法(ALPHA)、协同群优化算法(SSOA)、海市蜃楼算法(FATA)、逃生优化算法(ESC)、向量加权平均优化算法(INFO)、信息获取优化器(IAO)。

代码中6种算法可以随意切换！也可以搭配推出的改进智能算法使用。

学会这几种算法的调用，你就可以任意替换别的算法！代码设置如下：

% 可选：'FATA','AE','ESC','INFO','SSOA','SCSO','SSA','IAO';
​
[Best_score,Best_pos,curve]=FATA(popsize,maxgen,lb,ub,dim,fobj); %修改这里的函数名字即可

BiTCN-SVM模型

BiTCN能够对时间序列数据进行特征提取，发掘出时间序列数据中的长依赖问题，将BiTCN处理后的数据特征送入支持向量机SVM中进行拟合，能够充分发挥各自模型的优点，从而提高模型预测精度。

具体做法是，将划分好的训练集送入BiTCN模型训练后，提取BiTCN模型在最后一个平铺层的特征，将此特征送入SVM中进行拟合，增强模型的泛化能力。

BiTCN网络模型搭建

数据准备

数据集统一采用前几期提到的新疆某地风电发电功率数据，只不过这次是只用发电功率这一列。

数据处理方法也不难，首先提取这一列数据，然后以前几个时间点作为模型输入，未来1个时刻的功率作为输出。依次这样选取数据，得到好多好多样本。然后划分训练集和测试集就ok了。

想要替换数据也不难，代码已经将步数和预测个数的数字都写成了变量，直接改个数字就可以了。

以逃生优化算法优化BiTCN-SVM模型的8个参数进行展示

可以看到，优化后，BiTCN-SVM的预测精度有很大的提升！

已将本文算法加入机器学习预测全家桶中，需要全家桶的小伙伴可以跳转链接获取：

https://mbd.pub/o/bread/ZZmWk5xp