Predicción de series de tiempo | MATLAB implementa el algoritmo azor norteño NGO-LSTM para optimizar la predicción de series de tiempo de la red de memoria a corto plazo
Tabla de contenido
Efecto de predicción
introducción básica
MATLAB implementa el algoritmo azor norte NGO-LSTM para optimizar la predicción de series de tiempo de la red de memoria a corto plazo (código fuente completo y datos)
1. Los datos son un conjunto de datos, series de tiempo univariadas.
2.MainNGOLSTMTS.m es el archivo de programa principal y no es necesario ejecutar otros archivos de funciones.
3. La ventana de comandos genera MAE, MSE, RMSEP, R^2, RPD y MAPE, y los datos y el contenido del programa se pueden obtener en el área de descarga.
4. Los parámetros de optimización del algoritmo Northern Goshawk son la tasa de aprendizaje, el número de nodos de capa oculta y los parámetros de regularización.
Tenga en cuenta que el programa y los datos se colocan en una carpeta y que el entorno de ejecución es Matlab2018 y superior.
programación
- Método 1 completo de descarga de datos y programas (descarga directa del recurso): MATLAB implementa el algoritmo azor norteño NGO-LSTM para optimizar la predicción de series temporales de la red de memoria a corto plazo
- Complete el método de descarga de datos y programas 2 (Suscríbase a la columna "Aprendizaje inteligente" y obtenga 3 copias del programa incluido en la columna "Aprendizaje inteligente". Envíeme un mensaje privado después de suscribirse para obtener los datos): MATLAB implementa NGO-LSTM Algoritmo Northern Goshawk para optimizar la predicción de secuencia temporal de la red de memoria a largo y corto plazo
%% --------------LSTM优化----------------------
% 参数设置
SearchAgents = 5; % 种群数量
Max_iterations =10; % 迭代次数
lowerbound = [1e-10 0.0001 10 ];%三个参数的下限
upperbound = [1e-2 0.002 400 ];%三个参数的上限
dim = 3;%数量，即要优化的LSTM超参数个数
fobj = @(x)fun(x,inputn_train,outputn_train,outputps); %调用函数fun计算适应度函数值
%% 赋值;
[Best_score,Best_pos,Convergence_curve]=NGO(SearchAgents,Max_iterations,lowerbound,upperbound,dim,fobj) %% 北方苍鹰算法
%得到最优参数
L2Regularization = Best_pos(1,1); % 最佳L2正则化系数
InitialLearnRate = Best_pos(1,2); % 最佳初始学习率
NumOfUnits =abs(round( Best_pos(1,3))); % 最佳隐藏层节点数
%% ------------------利用优化参数重新训练LSTM并预测----------------------------
% 数据输入x的特征维度
inputSize = size(inputn_train,1);
% 数据输出y的维度
outputSize = size(outputn_train,1);
% 设置网络结构
layers = [ ...
sequenceInputLayer(inputSize) %输入层,参数是输入特征维数
lstmLayer(NumOfUnits) %学习层,隐含层神经元的个数
dropoutLayer(0.2) %权重丢失率
fullyConnectedLayer(outputSize) %全连接层，也就是输出的维数
regressionLayer]; %回归层,该参数说明是在进行回归问题，而不是分类问题
% trainoption(lstm)
opts = trainingOptions('adam', ... %优化算法
'MaxEpochs',100, ... %最大迭代次数
'GradientThreshold',1,... %梯度阈值,防止梯度爆炸
'ExecutionEnvironment','cpu',... %对于大型数据集合、长序列或大型网络，在 GPU 上进行预测计算通常比在 CPU 上快。其他情况下，在 CPU 上进行预测计算通常更快。
'InitialLearnRate',InitialLearnRate, ...
'LearnRateSchedule','piecewise', ...
'LearnRateDropPeriod',120, ...
'LearnRateDropFactor',0.2, ... % 指定初始学习率 0.005，在 100 轮训练后通过乘以因子 0.2 来降低学习率。
'L2Regularization', L2Regularization, ... % 正则化参数
'Verbose',false, ... %如果将其设置为true，则有关训练进度的信息将被打印到命令窗口中。
'Plots','training-progress'... %构建曲线图, 若将'training-progress'替换为'none'，则不画出曲线
); % 'MiniBatchSize',outputSize*30, ...
% 训练
LSTMnet = trainNetwork(inputn_train ,outputn_train ,layers,opts); % 网络训练
% 预测
[LSTMnet,LSTMoutputr_train]= predictAndUpdateState(LSTMnet,inputn_train); % 训练样本拟合值
LSTMoutput_train = mapminmax('reverse',LSTMoutputr_train,outputps); % 数据反归一化
%网络测试输出
LSTMoutputr_test= [];
end
LSTMoutput_test= mapminmax('reverse',LSTMoutputr_test,outputps); %反归一化
toc
%% -----------------预测结果-------------------------
% 数据格式转换
LSTM_train =LSTMoutput_train';
LSTM_test = LSTMoutput_test';
train_DATA=output_train'; %训练样本标签
test_DATA= output_test'; %测试样本标签
%% 绘图
%% 均方根误差 RMSE
error1 = sqrt(sum((LSTM_train - train_DATA).^2)./M);
error2 = sqrt(sum((LSTM_test- test_DATA).^2)./N);
%%
%决定系数
R1 = 1 - norm(train_DATA - LSTM_train)^2 / norm(train_DATA - mean(train_DATA))^2;
R2 = 1 - norm(test_DATA - LSTM_test)^2 / norm(test_DATA - mean(test_DATA ))^2;
%%
%均方误差 MSE
mse1 = sum((LSTM_train - train_DATA).^2)./M;
mse2 = sum((LSTM_test - test_DATA).^2)./N;
%%
%RPD 剩余预测残差
SE1=std(LSTM_train-train_DATA);
RPD1=std(train_DATA)/SE1;
SE=std(LSTM_test-test_DATA);
RPD2=std(test_DATA)/SE;
%% 平均绝对误差MAE
MAE1 = mean(abs(train_DATA - LSTM_train));
MAE2 = mean(abs(test_DATA - LSTM_test));
%% 平均绝对百分比误差MAPE
MAPE1 = mean(abs((train_DATA - LSTM_train)./train_DATA));
MAPE2 = mean(abs((test_DATA - LSTM_test)./test_DATA));
Referencias
[1] https://blog.csdn.net/article/details/126072792?spm=1001.2014.3001.5502
[2] https://blog.csdn.net/article/details/126044265?spm=1001.2014.3001.5502