【MATLAB第34期】 MATLAB 2023年棕熊算法 BOA-LSTM时间序列预测模型 #含预测未来功能,以及优化结构层数及单双向类型 研究工作量丰富且新颖

简介: 【MATLAB第34期】 MATLAB 2023年棕熊算法 BOA-LSTM时间序列预测模型 #含预测未来功能,以及优化结构层数及单双向类型 研究工作量丰富且新颖

【MATLAB第34期】 MATLAB 2023年棕熊算法 BOA-LSTM时间序列预测模型 #含预测未来功能,以及优化结构层数及单双向类型 研究工作量丰富且新颖


一、代码优势


1.使用2023年棕熊算法BOA优化LSTM超参数(学习率,隐藏层节点,正则化系数,训练次数,结构层数,单双向结构类型)

2.目标函数考虑训练集和测试集,更加合理;运行结果稳定,可直接调用结果,且调用结果非常方便。

3.滑动窗口方法处理单列时间序列数据,考虑历史数据的影响。

4.代码一体化,一键运行;注释丰富,评价指标丰富,逻辑清晰,适合小白学习。

5.代码绘图丰富(除基础绘图以外,还包括训练LOSS图、超参数迭代图)、美观

6.命令行窗口可见运行过程的结果.

7.参数可在代码中设置,方便调试;优化超参数可以根据需求更改 。

8.含预测未来功能。

9.含结构层数,以及LSTM单双向选择功能

举例:

1.绘图美观,且包含对超参数随迭代次数变化的研究。

2.代码方便计算和调用,只需要在fun函数后面加超参数组合,就能得到结果。

[fitness1,net1,res1,info1] =  fun([0.005,50,0.005,50,1,2]); % 基础参数取值(学习率,隐藏层节点,正则化系数,训练次数,1层结构,单向LSTM)

3.含预测未来功能

二、后期研究计划

后续将在博文中更新更丰富、功能更完整的作品,敬请期待。

1.多层LSTM结构优化,含单向LSTM/GRU和双向Bilstm混合模型**(已解决多层优化。混合优化暂未解决)**

2.更多超参数优化,含结构层数量、隐含层节点数、最小批处理数量、时间步数等**(已解决多层结构层优化,其余参数好实现,根据具体数据情况自行添加)**

3.含预测未来功能**(已解决)**

4.更多新的算法以及在基础上改进算法对比**(已解决,见35期)**。

5.loss内置函数修改

6.多场景应用(分类、回归、多输入多输出等等)


三、代码展示

%%  1.清空环境变量
warning off             % 关闭报警信息
close all               % 关闭开启的图窗
clear                   % 清空变量
clc                     % 清空命令行
%%  2.导入数据(时间序列的单列数据)
result = xlsread('数据集.xlsx');
%%  3.数据分析
num_samples = length(result);  % 样本个数 
kim = 15;                      % 延时步长(kim个历史数据作为自变量)
zim =  1;                      % 跨zim个时间点进行预测
%%  4.划分数据集
for i = 1: num_samples - kim - zim + 1
    res(i, :) = [reshape(result(i: i + kim - 1), 1, kim), result(i + kim + zim - 1)];
end
%%  5.数据集分析
outdim = 1;                                  % 最后一列为输出
num_size = 0.7;                              % 训练集占数据集比例
num_train_s = round(num_size * num_samples); % 训练集样本个数
f_ = size(res, 2) - outdim;                  % 输入特征维度
%%  6.划分训练集和测试集
P_train = res(1: num_train_s, 1: f_)';
T_train = res(1: num_train_s, f_ + 1: end)';
M = size(P_train, 2);
P_test = res(num_train_s + 1: end, 1: f_)';
T_test = res(num_train_s + 1: end, f_ + 1: end)';
N = size(P_test, 2);
%%  7.数据归一化
[P_train, ps_input] = mapminmax(P_train, 0, 1);
P_test = mapminmax('apply', P_test, ps_input);
[t_train, ps_output] = mapminmax(T_train, 0, 1);
t_test = mapminmax('apply', T_test, ps_output);
%%  8.数据平铺
%   将数据平铺成1维数据只是一种处理方式
%   也可以平铺成2维数据,以及3维数据,需要修改对应模型结构
%   但是应该始终和输入层数据结构保持一致
P_train =  double(reshape(P_train, f_, 1, 1, M));
P_test  =  double(reshape(P_test , f_, 1, 1, N));
t_train = t_train';
t_test  = t_test' ;
%%  9.数据格式转换
for i = 1 : M
    p_train{i, 1} = P_train(:, :, 1, i);
end
for i = 1 : N
    p_test{i, 1}  = P_test( :, :, 1, i);
end
%%  10.优化算法参数设置
SearchAgents_no = 5;                   % 种群数量
Max_iteration = 5;                    % 最大迭代次数
lb = [1e-3, 10, 1e-4,20,1,1];                 % 参数取值下界(学习率,隐藏层节点,正则化系数,训练次数,隐含层层数,LSTM单双向结构)
ub = [1e-2, 80, 1e-3,100,4,2];                 % 参数取值上界(学习率,隐藏层节点,正则化系数,训练次数,隐含层层数,LSTM单双向结构)
dim = 6;% 优化参数个数
fobj=@(x)fun(x);  %适应度函数
%%  11.优化算法初始化
[Best_sol,Best_X,Convergence,BestNet,pos_curve]=BOA(SearchAgents_no,dim,Max_iteration,lb,ub,fobj)
%% 12.优化前LSTM运行结果
[fitness1,net1,res1,info1] =  fun([0.005,50,0.005,50]); % 基础参数取值(学习率,隐藏层节点,正则化系数,训练次数)
predict_value1=res1.predict_value1;
predict_value2=res1.predict_value2;
true_value1=res1.true_value1;
true_value2=res1.true_value2;
i=1;
disp('-------------------------------------------------------------')
disp('LSTM结果:')
rmse1=sqrt(mean((true_value1(i,:)-predict_value1(i,:)).^2));
disp(['LSTM训练集根均方差(RMSE):',num2str(rmse1)])
mae1=mean(abs(true_value1(i,:)-predict_value1(i,:)));
disp(['LSTM训练集平均绝对误差(MAE):',num2str(mae1)])
mape1=mean(abs((true_value1(i,:)-predict_value1(i,:))./true_value1(i,:)));
disp(['LSTM训练集平均相对百分误差(MAPE):',num2str(mape1*100),'%'])
r2_1=R2(true_value1(i,:),predict_value1(i,:));
disp(['LSTM训练集R-square决定系数(R2):',num2str(r2_1)])
rmse2=sqrt(mean((true_value2(i,:)-predict_value2(i,:)).^2));
disp(['LSTM测试集根均方差(RMSE):',num2str(rmse2)])
mae2=mean(abs(true_value2(i,:)-predict_value2(i,:)));
disp(['LSTM测试集平均绝对误差(MAE):',num2str(mae2)])
mape2=mean(abs((true_value2(i,:)-predict_value2(i,:))./true_value2(i,:)));
disp(['LSTM测试集平均相对百分误差(MAPE):',num2str(mape2*100),'%'])
r2_2=R2(true_value2(i,:),predict_value2(i,:));
disp(['LSTM测试集R-square决定系数(R2):',num2str(r2_2)])
%% 13. 绘图
%% 14.优化后BOA-LSTM运行结果  
[fitness2,net2,res2,info2] =  fun(Best_X); % 基础参数取值(学习率,隐藏层节点,正则化系数,训练次数)
i=1;
disp('-------------------------------------------------------------')
disp('BOA-LSTM结果:')
disp('BOA-LSTM优化得到的最优参数为:')
disp(['BOA-LSTM优化得到的隐藏单元数目为:',num2str(round(Best_X(2)))]);
disp(['BOA-LSTM优化得到的最大训练周期为:',num2str(round(Best_X(4)))]);
disp(['BOA-LSTM优化得到的InitialLearnRate为:',num2str((Best_X(1)))]);
disp(['BOA-LSTM优化得到的L2Regularization为:',num2str((Best_X(3)))]);
op_rmse1=sqrt(mean((op_true_value1(i,:)-op_predict_value1(i,:)).^2));
disp(['BOA-LSTM训练集根均方差(RMSE):',num2str(op_rmse1)])
op_mae1=mean(abs(op_true_value1(i,:)-op_predict_value1(i,:)));
disp(['BOA-LSTM训练集平均绝对误差(MAE):',num2str(op_mae1)])
op_mape1=mean(abs((op_true_value1(i,:)-op_predict_value1(i,:))./op_true_value1(i,:)));
disp(['BOA-LSTM训练集平均相对百分误差(MAPE):',num2str(op_mape1*100),'%'])
op_r2_1=R2(op_true_value1(i,:),op_predict_value1(i,:));
disp(['BOA-LSTM训练集R-square决定系数(R2):',num2str(op_r2_1)])
op_rmse2=sqrt(mean((op_true_value2(i,:)-op_predict_value2(i,:)).^2));
disp(['BOA-LSTM测试集根均方差(RMSE):',num2str(op_rmse2)])
op_mae2=mean(abs(op_true_value2(i,:)-op_predict_value2(i,:)));
disp(['BOA-LSTM测试集平均绝对误差(MAE):',num2str(op_mae2)])
op_mape2=mean(abs((op_true_value2(i,:)-op_predict_value2(i,:))./op_true_value2(i,:)));
disp(['BOA-LSTM测试集平均相对百分误差(MAPE):',num2str(op_mape2*100),'%'])
op_r2_2=R2(op_true_value2(i,:),op_predict_value2(i,:));
disp(['BOA-LSTM测试集R-square决定系数(R2):',num2str(op_r2_2)])
%% 15.BOA-LSTM绘图
%% 16.预测未来及绘图
通过data最后kim即15个数据作为输入,得到预测结果即第16个值 。  输入2-16,得到第17个值。
本次建议预测未来只取kim个值,即对应滑动窗口尺寸。  
其次,每次需要误差修正,不然用预测值再作为输入,会误差累计 。

未考虑结构层数和单双向优化结果

四、未考虑结构层数和单双向优化运行结果


LSTM结果:

LSTM训练集根均方差(RMSE):0.023407

LSTM训练集平均绝对误差(MAE):0.01781

LSTM训练集平均相对百分误差(MAPE):2.9834%

LSTM训练集R-square决定系数(R2):0.95768

LSTM测试集根均方差(RMSE):0.024046

LSTM测试集平均绝对误差(MAE):0.01902

LSTM测试集平均相对百分误差(MAPE):3.2605%

LSTM测试集R-square决定系数(R2):0.78619


BOA-LSTM结果:

BOA-LSTM优化得到的最优参数为:

BOA-LSTM优化得到的隐藏单元数目为:30

BOA-LSTM优化得到的最大训练周期为:59

BOA-LSTM优化得到的InitialLearnRate为:0.0060983

BOA-LSTM优化得到的L2Regularization为:0.00035327

BOA-LSTM训练集根均方差(RMSE):0.012984

BOA-LSTM训练集平均绝对误差(MAE):0.009747

BOA-LSTM训练集平均相对百分误差(MAPE):1.6228%

BOA-LSTM训练集R-square决定系数(R2):0.98596

BOA-LSTM测试集根均方差(RMSE):0.015044

BOA-LSTM测试集平均绝对误差(MAE):0.011762

BOA-LSTM测试集平均相对百分误差(MAPE):1.9885%

BOA-LSTM测试集R-square决定系数(R2):0.9183



五、考虑结构层数和单双向优化运行结果


LSTM结果:

LSTM训练集根均方差(RMSE):0.029838

LSTM训练集平均绝对误差(MAE):0.022429

LSTM训练集平均相对百分误差(MAPE):3.8673%

LSTM训练集R-square决定系数(R2):0.95401

LSTM测试集根均方差(RMSE):0.02557

LSTM测试集平均绝对误差(MAE):0.020291

LSTM测试集平均相对百分误差(MAPE):3.413%

LSTM测试集R-square决定系数(R2):0.77222


BOA-LSTM结果:

BOA-LSTM优化得到的最优参数为:

BOA-LSTM优化得到的隐藏单元数目为:19

BOA-LSTM优化得到的最大训练周期为:64

BOA-LSTM优化得到的InitialLearnRate为:0.0051093

BOA-LSTM优化得到的L2Regularization为:0.00057301

BOA-LSTM训练集根均方差(RMSE):0.019895

BOA-LSTM训练集平均绝对误差(MAE):0.015285

BOA-LSTM训练集平均相对百分误差(MAPE):2.597%

BOA-LSTM训练集R-square决定系数(R2):0.97333

BOA-LSTM测试集根均方差(RMSE):0.01963

BOA-LSTM测试集平均绝对误差(MAE):0.015393

BOA-LSTM测试集平均相对百分误差(MAPE):2.6051%

BOA-LSTM测试集R-square决定系数(R2):0.85712


六、分析


根据加入结构层数和单双向结构类型超参数优化时,在同等种群(5)迭代次数(5)的情况下,结果却相对差一些,且运行速度也慢一些。其实也很好理解,对于多优化参数相当于把简单的问题复杂化,不一定结构层数越多越好,反而会把本简单的网络结构复杂化,其次,待优化超参数多了,在种群数量和迭代次数不变的情况下,所对应的样本丰富性来说,反而下降了 。所以,在增加待优化超参数数量时,理应提高种群数量和迭代次数,但是对于简单的问题简单的数据,本末倒置。


七、代码获取


后台私信回复“34期”即可获取下载链接。

相关文章
|
11天前
|
机器学习/深度学习 算法 数据安全/隐私保护
数据链中常见电磁干扰matlab仿真,对比噪声调频,线性调频,噪声,扫频,灵巧五种干扰模型
本项目展示了用于分析和模拟电磁干扰对数据链系统影响的算法。通过Matlab 2022a运行,提供无水印效果图预览。完整代码包含详细中文注释及操作视频。理论部分涵盖五种常见干扰模型:噪声调频、线性调频、噪声、扫频和灵巧干扰,详细介绍其原理并进行对比分析。灵巧干扰采用智能技术如认知无线电和机器学习,自适应调整干扰策略以优化效果。
|
19天前
|
算法
基于Adaboost模型的数据预测和分类matlab仿真
AdaBoost(Adaptive Boosting)是一种由Yoav Freund和Robert Schapire于1995年提出的集成学习方法,旨在通过迭代训练多个弱分类器并赋予分类效果好的弱分类器更高权重,最终构建一个强分类器。该方法通过逐步调整样本权重,使算法更关注前一轮中被误分类的样本,从而逐步优化模型。示例代码在MATLAB 2022A版本中运行,展示了随着弱分类器数量增加,分类错误率的变化及测试数据的分类结果。
|
25天前
|
存储 算法
基于HMM隐马尔可夫模型的金融数据预测算法matlab仿真
本项目基于HMM模型实现金融数据预测,包括模型训练与预测两部分。在MATLAB2022A上运行,通过计算状态转移和观测概率预测未来值,并绘制了预测值、真实值及预测误差的对比图。HMM模型适用于金融市场的时间序列分析,能够有效捕捉隐藏状态及其转换规律,为金融预测提供有力工具。
|
2月前
|
算法
基于HASM模型的高精度建模matlab仿真
本课题使用HASM进行高精度建模,介绍HASM模型及其简化实现方法。HASM模型基于层次化与自适应统计思想,通过多层结构捕捉不同尺度特征,自适应调整参数,适用于大规模、高维度数据的分析与预测。MATLAB2022A版本运行测试,展示运行结果。
|
3月前
|
机器学习/深度学习 算法 数据处理
基于最小二乘法的太阳黑子活动模型参数辨识和预测matlab仿真
本项目基于最小二乘法,利用Matlab对太阳黑子活动进行模型参数辨识和预测。通过分析过去288年的观测数据,研究其11年周期规律,实现对太阳黑子活动周期性的准确建模与未来趋势预测。适用于MATLAB2022a版本。
|
13天前
|
机器学习/深度学习 算法
基于改进遗传优化的BP神经网络金融序列预测算法matlab仿真
本项目基于改进遗传优化的BP神经网络进行金融序列预测,使用MATLAB2022A实现。通过对比BP神经网络、遗传优化BP神经网络及改进遗传优化BP神经网络,展示了三者的误差和预测曲线差异。核心程序结合遗传算法(GA)与BP神经网络,利用GA优化BP网络的初始权重和阈值,提高预测精度。GA通过选择、交叉、变异操作迭代优化,防止局部收敛,增强模型对金融市场复杂性和不确定性的适应能力。
145 80
|
1天前
|
机器学习/深度学习 数据采集 算法
基于GA遗传优化的CNN-GRU-SAM网络时间序列回归预测算法matlab仿真
本项目基于MATLAB2022a实现时间序列预测,采用CNN-GRU-SAM网络结构。卷积层提取局部特征,GRU层处理长期依赖,自注意力机制捕捉全局特征。完整代码含中文注释和操作视频,运行效果无水印展示。算法通过数据归一化、种群初始化、适应度计算、个体更新等步骤优化网络参数,最终输出预测结果。适用于金融市场、气象预报等领域。
基于GA遗传优化的CNN-GRU-SAM网络时间序列回归预测算法matlab仿真
|
1天前
|
算法
基于龙格库塔算法的锅炉单相受热管建模与matlab数值仿真
本设计基于龙格库塔算法对锅炉单相受热管进行建模与MATLAB数值仿真,简化为喷水减温器和末级过热器组合,考虑均匀传热及静态烟气处理。使用MATLAB2022A版本运行,展示自编与内置四阶龙格库塔法的精度对比及误差分析。模型涉及热传递和流体动力学原理,适用于优化锅炉效率。
|
6天前
|
机器学习/深度学习 算法
基于遗传优化的双BP神经网络金融序列预测算法matlab仿真
本项目基于遗传优化的双BP神经网络实现金融序列预测,使用MATLAB2022A进行仿真。算法通过两个初始学习率不同的BP神经网络(e1, e2)协同工作,结合遗传算法优化,提高预测精度。实验展示了三个算法的误差对比结果,验证了该方法的有效性。
|
9天前
|
机器学习/深度学习 数据采集 算法
基于PSO粒子群优化的CNN-GRU-SAM网络时间序列回归预测算法matlab仿真
本项目展示了基于PSO优化的CNN-GRU-SAM网络在时间序列预测中的应用。算法通过卷积层、GRU层、自注意力机制层提取特征,结合粒子群优化提升预测准确性。完整程序运行效果无水印,提供Matlab2022a版本代码,含详细中文注释和操作视频。适用于金融市场、气象预报等领域,有效处理非线性数据,提高预测稳定性和效率。