【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

[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)

%%  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 。