Python实现ELM时间序列预测（完整源码和数据)

#!/usr/bin/env python # coding: utf-8 # In[1]: import numpy as np # 导入NumPy库进行数值操作 import matplotlib.pyplot as plt # 导入matplotlib库的pyplot模块用于创建图表和可视化 import pandas as pd # 导入pandas库用于数据结构和数据分析工具 from sklearn import preprocessing # 导入sklearn库的preprocessing模块用于数据预处理 from math import sqrt # 导入math库的sqrt函数用于计算平方根 from sklearn.metrics import mean_squared_error, mean_absolute_error, r2_score # 导入sklearn库的metrics模块中的评估指标 import math # 导入math库用于数学计算 import joblib # 导入joblib库用于模型的保存和加载 from numpy import concatenate # 从NumPy库导入concatenate函数用于数组拼接操作 # In[2]: feanum = 1 # 特征数量 window = 5 # 窗口大小 Ra = 0.8 # 训练集所占比例 #更多模型咸鱼搜索机器学习之心，支持模型定制 df1 = pd.read_csv('焦作.csv', usecols=[1]) # 从CSV文件中读取数据，仅使用第二列数据 train_d, test_d = df1[0:int(len(df1)*Ra)], df1[int(len(df1)*Ra):] # 将数据集划分为训练集和测试集 #更多模型咸鱼搜索机器学习之心，支持模型定制 # In[3]: min_max_scaler = preprocessing.MinMaxScaler() # 创建MinMaxScaler对象 df0 = min_max_scaler.fit_transform(df1) # 对df1进行归一化处理 df = pd.DataFrame(df0, columns=df1.columns) # 将归一化后的数据转换为DataFrame，列名与df1保持一致 #更多模型咸鱼搜索机器学习之心，支持模型定制 # In[4]: stock = df # 将归一化后的DataFrame赋值给stock seq_len = window # 设置序列长度为window amount_of_features = len(stock.columns) # 获取列数，即特征数量 data = stock.values # 将DataFrame转换为矩阵，即将stock的值提取出来 sequence_length = seq_len + 1 # 序列长度加1 result = []#更多模型咸鱼搜索机器学习之心，支持模型定制 for index in range(len(data) - sequence_length): # 循环 len(data) - sequence_length 次 result.append(data[index: index + sequence_length]) # 将每个窗口大小为sequence_length的数据段添加到result中 result = np.array(result) # 将result转换为NumPy数组 #更多模型咸鱼搜索机器学习之心，支持模型定制 cut = len(test_d) # 定义切割点，即测试集的长度 train = result[:-cut, :] # 切割训练集，取前面的部分作为训练集 x_train = train[:, :-1] # 训练集的特征部分，即除最后一列外的所有列 y_train = train[:, -1][:, -1] # 训练集的目标值，即最后一列的最后一个元素 x_test = result[-cut:, :-1] # 测试集的特征部分，即除最后一列外的所有列 y_test = result[-cut:, -1][:, -1] # 测试集的目标值，即最后一列的最后一个元素 #更多模型咸鱼搜索机器学习之心，支持模型定制 X_train = np.reshape(x_train, (x_train.shape[0], x_train.shape[1], amount_of_features)) # 将x_train的形状调整为(样本数量, 时间步长, 特征数量) X_test = np.reshape(x_test, (x_test.shape[0], x_test.shape[1], amount_of_features)) # 将x_test的形状调整为(样本数量, 时间步长, 特征数量) # In[5]: X_train = X_train.reshape(len(X_train), window) # 将X_train的形状调整为(样本数量, 窗口大小) y_train = y_train.reshape(len(X_train)) # 将y_train的形状调整为(样本数量,) X_test = X_test.reshape(cut, window) # 将X_test的形状调整为(样本数量, 窗口大小) y_test = y_test.reshape(cut) # 将y_test的形状调整为(样本数量,) # In[6]: class ELMRegressor(): def __init__(self, L=10, random_state=None): self.L = L # 隐藏神经元的数量 self.random_state = random_state # 随机种子 #更多模型咸鱼搜索机器学习之心，支持模型定制 def fit(self, X, y=None): M = np.size(X, axis=0) # 样本数 N = np.size(X, axis=1) # 特征数 np.random.seed(seed=self.random_state) # 设置随机种子 #更多模型咸鱼搜索机器学习之心，支持模型定制 self.w1 = np.random.uniform(low=-1, high=1, size=(self.L, N + 1)) # 带偏置的权重 bias = np.ones(M).reshape(-1, 1) # 偏置项定义 Xa = np.concatenate((bias, X), axis=1) # 带偏置的输入 S = Xa.dot(self.w1.T) # 隐藏层加权求和 H = np.tanh(S) # 激活函数 f(x) = tanh(x)，维度为 M X L bias = np.ones(M).reshape(-1, 1) # 偏置项定义 Ha = np.concatenate((bias, H), axis=1) # 带偏置的激活函数 self.w2 = (np.linalg.pinv(Ha).dot(y)).T # w2' = pinv(Ha)*D #更多模型咸鱼搜索机器学习之心，支持模型定制 return self def predict(self, X): M = np.size(X, axis=0) # 样本数 N = np.size(X, axis=1) # 特征数 #更多模型咸鱼搜索机器学习之心，支持模型定制 bias = np.ones(M).reshape(-1, 1) # 偏置项定义 Xa = np.concatenate((bias, X), axis=1) # 带偏置的输入 S = Xa.dot(self.w1.T) # 隐藏层加权求和 H = np.tanh(S) # 激活函数 f(x) = tanh(x)，维度为 M X L bias = np.ones(M).reshape(-1, 1) # 偏置项定义 Ha = np.concatenate((bias, H), axis=1) # 带偏置的激活函数 y_pred = Ha.dot(self.w2.T) # 预测值 return y_pred # In[7]: L = 10 # 隐藏神经元的数量 random_state = 60 # 随机种子 elm = ELMRegressor(L=L, random_state=random_state) # 创建一个ELMRegressor对象，设置隐藏神经元数量和随机种子 elm.fit(X_train, y_train) # 使用训练数据X_train和目标变量y_train训练ELM模型 # In[8]: #在训练集上的拟合结果 y_train_predict=elm.predict(X_train) #在测试集上的预测 y_test_predict=elm.predict(X_test) # In[9]: X = pd.DataFrame(y_test) # 将y_test转换为DataFrame，并将其赋值给变量X Y = pd.DataFrame(y_test_predict) # 将y_test_predict转换为DataFrame，并将其赋值给变量Y X = min_max_scaler.inverse_transform(X) # 使用min_max_scaler对X进行逆标准化 Y = min_max_scaler.inverse_transform(Y) # 使用min_max_scaler对Y进行逆标准化 #更多模型咸鱼搜索机器学习之心，支持模型定制 # In[10]: testScore = math.sqrt(mean_squared_error(X, Y)) # 计算X和Y之间的均方根误差（RMSE） print('RMSE为：%.3f ' %(testScore)) # 打印RMSE的值 testScore = mean_absolute_error(X, Y) # 计算X和Y之间的平均绝对误差（MAE） print('MAE为：%.3f ' %(testScore)) # 打印MAE的值 testScore = r2_score(X, Y) # 计算X和Y之间的R平方值（R2） print('R2为：%.3f ' %(testScore)) # 打印R2的值 # In[11]: plt.figure(figsize=(10, 4), dpi=150) # 创建一个图形窗口，设置图形的尺寸为宽度10英寸，高度4英寸，dpi为150 plt.plot(X, label="Actual", color='red', linewidth=4) # 绘制实际值曲线，设置线条颜色为红色，线宽为4 plt.plot(Y, color='blue', label='Prediction', linewidth=2.5, linestyle="--") # 绘制预测值曲线，设置线条颜色为蓝色，线宽为2.5，线型为虚线 plt.title('Prediction', size=15) # 设置图表的标题为'Prediction'，字体大小为15 plt.ylabel('AQI', size=15) # 设置y轴的标签为'AQI'，字体大小为15 plt.xlabel('time/day', size=15) # 设置x轴的标签为'time/day'，字体大小为15 plt.legend() # 显示图例 plt.show() # 显示图形 # In[ ]: