程序名称：基于IVY（常青藤优化算法）-BiTCN（双向时域卷积网络）-BiGRU（双向门控循环单元）的多变量时间序列回归预测
实现平台：matlab
代码简介：提出基于IVY-BiTCN-BiGRU的多变量时间序列回归预测模型，该模型可以自适应性的预测任意数量指标的时间序列，如风电负荷，电价，气象等，导入数据即可，无需任何调试。代码具有一定创新性，注释详细！
常春藤算法（Ivy algorithm, IVYA）于2024年7月发表在中科院1区SCI顶刊《Knowledge-Based Systems》。该算法来自常春藤植物的生长模式，模拟了协调有序的种群增长以及常春藤植物的传播和进化。常春藤植物的生长速率是使用微分方程和数据密集型实验过程建模的。该算法利用附近常春藤植物的知识来确定生长方向。此外，该算法通过选择最近和最重要的邻居进行自我提升来模仿常春藤植物在自然界中的行为。IVYA 保持种群多样性的独特特性及其简单性和灵活性允许轻松修改和扩展，从而使研究人员和从业者能够探索各种修改和技术以提高其性能和能力。
BiTCN（Bidirectional Temporal Convolutional Network）是一种深度学习模型，它结合了卷积神经网络（CNN）与时序数据处理的特点，主要用于处理序列数据。传统的卷积神经网络在处理图像数据上非常有效，但在处理时间序列等一维序列数据时，往往需要额外的设计来捕捉时间上的依赖关系。而BiTCN通过引入双向机制，能够有效地捕获序列中的长期依赖关系，同时保持计算效率。
BiTCN的主要特点包括：
双向性：与单向的TCN不同，BiTCN包含两个方向的TCN层，一个用于处理从过去到未来的数据流，另一个用于处理从未来到过去的反向数据流。这种设计使得模型能够同时考虑未来和过去的信息，从而更好地理解上下文。
因果卷积：为了确保模型不会“泄露”未来的信息，即在处理当前位置的数据时不使用未来时刻的数据，BiTCN采用了因果卷积。这意味着卷积操作只考虑当前位置及其之前的位置的数据。
膨胀卷积：通过使用膨胀卷积，BiTCN能够在不增加参数量的情况下扩大感受野，即模型可以考虑更长时间跨度内的信息。这有助于捕捉长距离的时间依赖关系。
残差连接：为了帮助模型训练深层网络，BiTCN通常采用残差连接。这种结构有助于缓解梯度消失或爆炸的问题，提高模型的训练效率和性能。
BiGRU（双向门控循环单元，Bidirectional Gated Recurrent Unit）是一种用于处理序列数据的神经网络结构。它是GRU（门控循环单元，Gated Recurrent Unit）的一种变体，而GRU本身是RNN（循环神经网络，Recurrent Neural Network）的一种改进版本。在传统的RNN中，信息只能从前向后传递，这限制了模型对长距离依赖性的捕捉能力。GRU通过引入更新门和重置门来缓解这一问题，使得模型能够更有效地学习长期依赖关系。
BiGRU的工作原理
BiGRU的主要特点是它同时考虑了序列中的前向信息和后向信息。这意味着，在处理一个给定的时间步时，BiGRU不仅会考虑之前的信息（就像标准的GRU或RNN一样），还会考虑未来的信息。这种机制对于某些任务特别有用，比如文本分类、情感分析等，因为这些任务往往需要从整个句子的角度来理解每个词的意义。
前向GRU：负责处理序列中的前向信息，即从序列的第一个元素到最后一个元素。
后向GRU：负责处理序列中的后向信息，即从序列的最后一个元素到第一个元素。
两个方向上的输出会在每个时间步被合并（通常是通过拼接、求平均或加权求和等方式），从而为每个时间步提供更加丰富的上下文信息。
参考文献：《Optimization based on the smart behavior of plants with its engineering applications: Ivy algorithm》《基于SVMD-BO-BiTCN的超短期光伏发电功率预测》《基于QMD-LDBO-BiGRU的风速预测模型》《基于注意力机制的CNN-BiGRU超短期省间现货购电需求预测》《基于多任务双层注意力优化的TCN-BiGRU综合能源负荷短期预测》《基于SGMD-SE与优化TCN-BiLSTM/BiGRU的超短期风功率预测》《基于IWOA优化Res-BiGRU深度学习模型的海表温度预测方法》《基于数据优化和CQR-CNN-BiGRU模型的光伏功率超短期区间预测》《基于VMD-IDBO-BiGRU的短期电力负荷预测》《基于CNN-BiGRU网络的超短期风电功率预测》
代码获取方式：【原创代码改进】基于IVY（常青藤优化算法）-BiTCN（双向时域卷积网络）-BiGRU（双向门控循环单元）的多变量时间序列回归
运行结果展示
