【MATLAB第52期】基于MATLAB的高斯过程GPR超参数(sigma)自动优化算法 时间序列预测模型 五折交叉验证

简介: 使用GPR自动优化函数,对sigma进行自动寻优。一列时间序列数据 ,滑动窗口尺寸为15。适应度值log(1+loss)。

一、效果展示

2023-07-06_202404.png
2023-07-06_202417.png
2023-07-06_202320.png
2023-07-06_202329.png

二、优化思路

1.数据
一列时间序列数据 ,滑动窗口尺寸为15。
2.思路
使用GPR自动优化函数,对sigma进行自动寻优。
适应度值log(1+loss)。
迭代次数默认30.

三、代码展示

%%  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

%%  导入数据(时间序列的单列数据)
result = xlsread('数据集.xlsx');

%%  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

%%  构造数据集
for i = 1: num_samples - kim - zim + 1
    res(i, :) = [reshape(result(i: i + kim - 1), 1, kim), result(i + kim + zim - 1)];
end

%%  划分训练集和测试集
temp = 1: 1: 922;

P_train = res(temp(1: 700), 1: 15)';
T_train = res(temp(1: 700), 16)';
M = size(P_train, 2);

P_test = res(temp(701: end), 1: 15)';
T_test = res(temp(701: end), 16)';
N = size(P_test, 2);

%%  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);

%%  转置以适应模型
p_train = p_train'; p_test = p_test';
t_train = t_train'; t_test = t_test';

%训练模型  这个是模型参数 ,运行较好地结果 
gprMdl= fitrgp(p_train,t_train,'OptimizeHyperparameters','auto','HyperparameterOptimizationOptions',...
     struct('Optimizer','randomsearch'));%训练高斯过程模型 HyperparameterOptimizationOptions 五折交叉验证自动优化超参数sigma

%gprMdl = fitrgp(p_train,t_train,'Basis','None','KernelFunction','Exponential');
[t_sim1] = gprpre(gprMdl);
T_sim1=mapminmax('reverse',t_sim1, ps_output);%训练集拟合结果

[t_sim2,~,~] = predict(gprMdl,p_test);
T_sim2=mapminmax('reverse',t_sim2, ps_output);

%%  均方根误差
error1 = sqrt(sum((T_sim1' - T_train).^2) ./ M);
error2 = sqrt(sum((T_sim2' - T_test ).^2) ./ N);

%%  绘图
figure()
subplot(211)
plot(1: M, T_train, 'r-', 1: M, T_sim1, 'b-', 'LineWidth', 1)
legend('真实值','预测值')
xlabel('预测样本')
ylabel('预测结果')
string = {
   
   '优化后训练集预测结果对比'; ['RMSE=' num2str(error1)]};
title(string)
xlim([1, M])
grid

subplot(212)
plot(1: N, T_test, 'r-', 1: N, T_sim2, 'b-', 'LineWidth', 1)
legend('真实值','预测值')
xlabel('预测样本')
ylabel('预测结果')
string = {
   
   '优化后测试集预测结果对比';['RMSE=' num2str(error2)]};
title(string)
xlim([1, N])
grid


%%  相关指标计算
%  R2
R1 = 1 - norm(T_train - T_sim1')^2 / norm(T_train - mean(T_train))^2;
R2 = 1 - norm(T_test -  T_sim2')^2 / norm(T_test -  mean(T_test ))^2;

disp(['优化后训练集数据的R2为:', num2str(R1)])
disp(['优化后测试集数据的R2为:', num2str(R2)])

%  MAE
mae1 = sum(abs(T_sim1' - T_train)) ./ M ;
mae2 = sum(abs(T_sim2' - T_test )) ./ N ;

disp(['优化后训练集数据的MAE为:', num2str(mae1)])
disp(['优化后测试集数据的MAE为:', num2str(mae2)])

%  MBE
mbe1 = sum(T_sim1' - T_train) ./ M ;
mbe2 = sum(T_sim2' - T_test ) ./ N ;

disp(['优化后训练集数据的MBE为:', num2str(mbe1)])
disp(['优化后测试集数据的MBE为:', num2str(mbe2)])

%% 优化前 Sigma = 0.5
%gprMdl1 = fitrgp(p_train,t_train,'Basis','None','KernelFunction','Exponential');
[t_sim11] = gprpre(gprMdl1);
T_sim11=mapminmax('reverse',t_sim11, ps_output);%训练集拟合结果
L1 = resubLoss(gprMdl1)%损失函数

[t_sim22,~,~] = predict(gprMdl1,p_test);
T_sim22=mapminmax('reverse',t_sim22, ps_output);

%%  均方根误差
error11 = sqrt(sum((T_sim11' - T_train).^2) ./ M);
error22 = sqrt(sum((T_sim22' - T_test ).^2) ./ N);

%%  绘图
figure()
subplot(211)
plot(1: M, T_train, 'r-', 1: M, T_sim11, 'b-', 'LineWidth', 1)
legend('真实值','预测值')
xlabel('预测样本')
ylabel('预测结果')
string = {
   
   '优化前训练集预测结果对比'; ['RMSE=' num2str(error11)]};
title(string)
xlim([1, M])
grid

subplot(212)
plot(1: N, T_test, 'r-', 1: N, T_sim22, 'b-', 'LineWidth', 1)
legend('真实值','预测值')
xlabel('预测样本')
ylabel('预测结果')
string = {
   
   '优化前测试集预测结果对比';['RMSE=' num2str(error22)]};
title(string)
xlim([1, N])
grid



%%  相关指标计算
%  R2
R11 = 1 - norm(T_train - T_sim11')^2 / norm(T_train - mean(T_train))^2;
R22 = 1 - norm(T_test -  T_sim22')^2 / norm(T_test -  mean(T_test ))^2;

disp(['优化前训练集数据的R2为:', num2str(R11)])
disp(['优化前测试集数据的R2为:', num2str(R22)])

%  MAE
mae11 = sum(abs(T_sim11' - T_train)) ./ M ;
mae22 = sum(abs(T_sim22' - T_test )) ./ N ;

disp(['优化前训练集数据的MAE为:', num2str(mae11)])
disp(['优化前测试集数据的MAE为:', num2str(mae22)])

%  MBE
mbe11 = sum(T_sim11' - T_train) ./ M ;
mbe22 = sum(T_sim22' - T_test ) ./ N ;

disp(['优化前训练集数据的MBE为:', num2str(mbe11)])
disp(['优化前测试集数据的MBE为:', num2str(mbe22)])
相关文章
|
7天前
|
机器学习/深度学习 算法 数据安全/隐私保护
基于WOA鲸鱼优化的XGBoost序列预测算法matlab仿真
基于WOA优化XGBoost的序列预测算法,利用鲸鱼优化算法自动寻优超参数,提升预测精度。结合MATLAB实现,适用于金融、气象等领域,具有较强非线性拟合能力,实验结果表明该方法显著优于传统模型。(238字)
|
6天前
|
机器学习/深度学习 算法 Java
基于灰狼优化算法(GWO)解决柔性作业车间调度问题(Matlab代码实现)
基于灰狼优化算法(GWO)解决柔性作业车间调度问题(Matlab代码实现)
|
6天前
|
算法 机器人 Serverless
【机器人路径规划】基于6种算法(黑翅鸢优化算法BKA、SSA、MSA、RTH、TROA、COA)求解机器人路径规划研究(Matlab代码实现)
【机器人路径规划】基于6种算法(黑翅鸢优化算法BKA、SSA、MSA、RTH、TROA、COA)求解机器人路径规划研究(Matlab代码实现)
|
6天前
|
供应链 算法 Java
【柔性作业车间调度问题FJSP】基于非支配排序的多目标小龙虾优化算法求解柔性作业车间调度问题FJSP研究(Matlab代码实现)
【柔性作业车间调度问题FJSP】基于非支配排序的多目标小龙虾优化算法求解柔性作业车间调度问题FJSP研究(Matlab代码实现)
|
6天前
|
传感器 算法 安全
基于分布式模型预测控制DMPC的单向拓扑结构下异构车辆车队研究(Matlab代码实现)
基于分布式模型预测控制DMPC的单向拓扑结构下异构车辆车队研究(Matlab代码实现)
|
6天前
|
传感器 机器学习/深度学习 算法
【使用 DSP 滤波器加速速度和位移】使用信号处理算法过滤加速度数据并将其转换为速度和位移研究(Matlab代码实现)
【使用 DSP 滤波器加速速度和位移】使用信号处理算法过滤加速度数据并将其转换为速度和位移研究(Matlab代码实现)
|
8天前
|
负载均衡 算法 调度
基于遗传算法的新的异构分布式系统任务调度算法研究(Matlab代码实现)
基于遗传算法的新的异构分布式系统任务调度算法研究(Matlab代码实现)
77 11
|
8天前
|
机器学习/深度学习 传感器 算法
基于全局路径的无人地面车辆的横向避让路径规划研究[蚂蚁算法求解](Matlab代码实现)
基于全局路径的无人地面车辆的横向避让路径规划研究[蚂蚁算法求解](Matlab代码实现)
|
8天前
|
算法 安全 BI
基于粒子群算法的多码头连续泊位分配优化研究(Matlab代码实现)
基于粒子群算法的多码头连续泊位分配优化研究(Matlab代码实现)
|
6天前
|
机器学习/深度学习 并行计算 算法
基于二进制粒子群优化(BPSO)最佳PMU位置(OPP)配置研究(Matlab代码实现)
基于二进制粒子群优化(BPSO)最佳PMU位置(OPP)配置研究(Matlab代码实现)

热门文章

最新文章