Python实现WOA-LSTM鲸鱼算法优化长短期记忆神经网络时间序列预测（完整源码和数据)

#!/usr/bin/env python # coding: utf-8 # In[1]: import math # 导入math模块，用于数学计算 import matplotlib.pyplot as plt # 导入matplotlib.pyplot模块，用于绘图 import numpy as np # 导入numpy模块，用于数值计算和数组操作 import pandas as pd # 导入pandas模块，用于数据处理和分析 from sklearn.metrics import mean_squared_error # 导入mean_squared_error函数，用于计算均方误差 from sklearn.metrics import mean_absolute_error # 导入mean_absolute_error函数，用于计算平方绝对误差 from sklearn.metrics import r2_score # 导入r2_score函数，用于计算R平方 from sklearn.preprocessing import MinMaxScaler # 导入MinMaxScaler类，用于数据归一化 from tensorflow.python.keras.callbacks import EarlyStopping # 导入EarlyStopping回调函数，用于早停策略 from tensorflow.python.keras.layers import Dense, Dropout, LSTM # 导入Dense、Dropout、LSTM层 from tensorflow.python.keras.layers.core import Activation # 导入Activation层，用于激活函数 from tensorflow.python.keras.models import Sequential # 导入Sequential模型，用于构建神经网络模型 import tensorflow as tf # 导入tensorflow模块，用于深度学习框架 # In[2]: plt.rcParams['font.sans-serif'] = ['SimHei'] # 用来正常显示中文标签 plt.rcParams['axes.unicode_minus'] = False # 用来正常显示负号 # In[3]: #更多模型搜索机器学习之心，支持模型定制 # In[4]: ''' 定义一个函数用于创建数据集，输入参数包括: dataset: 数据集 look_back: 回溯长度，即用多少个时间步作为输入预测下一个时间步 ''' def creat_dataset(dataset, look_back): dataX, dataY = [], [] for i in range(len(dataset) - look_back - 1):# 循环遍历数据集 a = dataset[i: (i + look_back)]# 提取回溯长度的数据作为输入 dataX.append(a)# 将该输入数据添加到输入数据集 dataY.append(dataset[i + look_back])# 将下一个时间步的数据添加到输出数据集 return np.array(dataX), np.array(dataY)# 将输入输出数据集转换为numpy数组并返回 # In[5]: dataframe = pd.read_csv('焦作.csv',header=0, parse_dates=[0],index_col=0, usecols=[0, 1])# 读取CSV文件，并设置第一列为日期，作为索引 dataset = dataframe.values# 获取数据集的值 dataframe.head(10)# 查看前10行数据 # In[6]: scaler = MinMaxScaler(feature_range=(0, 1))# 使用 MinMaxScaler 进行数据归一化 dataset = scaler.fit_transform(dataset.reshape(-1, 1))# 将数据变为二维数组并进行归一化 # In[7]: train_size = int(len(dataset) * 0.8) # 计算训练集大小，将数据集长度的 80% 转换为整数 test_size = len(dataset) - train_size # 计算测试集大小，将剩余的数据作为测试集 train, test = dataset[0: train_size], dataset[train_size: len(dataset)] # 将数据集划分为训练集和测试集，使用切片操作实现 # In[8]: look_back = 10# 定义时序窗口大小 trainX, trainY = creat_dataset(train, look_back)# 生成训练集 testX, testY = creat_dataset(test, look_back)# 生成测试集 # In[9]: def build_model(neurons1, neurons2, dropout):#定义一个函数，用于构建 LSTM 模型 # 将训练集和测试集的输入和输出数据分别赋值给 X_train、y_train、X_test 和 y_test X_train, y_train = trainX, trainY X_test, y_test = testX, testY model = Sequential()# 创建 Sequential 模型 model.add(LSTM(units=neurons1, return_sequences=True, input_shape=(look_back, 1)))# 添加第一个 LSTM 层，指定神经元个数和输入数据形状 model.add(LSTM(units=neurons2, return_sequences=False))# 添加第二个 LSTM 层，指定神经元个数 model.add(Dropout(dropout))# 添加 Dropout 层，指定失活率 model.add(Dense(units=1))# 添加全连接层，输出维度为 1 model.add(Activation('relu'))# 添加激活函数层，使用 ReLU 函数 model.compile(loss='mean_absolute_error', optimizer='Adam')# 编译模型，指定损失函数和优化器 return model, X_train, y_train, X_test, y_test# 返回构建好的模型以及训练集和测试集的输入和输出数据 # In[10]: def training(X): neurons1 = int(X[0]) # 从 X 中获取超参数 neurons1，并将其转换为整数 neurons2 = int(X[1]) # 从 X 中获取超参数 neurons2，并将其转换为整数 dropout = round(X[2], 6) # 从 X 中获取超参数 dropout，并将其保留 6 位小数 batch_size = int(X[3]) # 从 X 中获取超参数 batch_size，并将其转换为整数 print([neurons1, neurons2, dropout, batch_size]) # 打印超参数列表 model, X_train, y_train, X_test, y_test = build_model(neurons1, neurons2, dropout) # 构建模型并获取训练集、测试集 model.fit( X_train, y_train, batch_size=batch_size, epochs=100, validation_split=0.1, verbose=0, callbacks=[EarlyStopping(monitor='val_loss', patience=10, restore_best_weights=True)]) # 训练模型 #更多模型搜索机器学习之心，支持模型定制 pred = model.predict(X_test) # 在测试集上进行预测 temp_mse = mean_squared_error(y_test, pred) # 计算预测结果与真实值之间的均方误差 print(temp_mse) # 打印均方误差 return temp_mse # 返回均方误差作为适应度函数的结果 # In[11]: class woa(): # 初始化 def __init__(self, LB, UB, dim=4, b=1, whale_num=20, max_iter=500): self.LB = LB # 参数的下限 self.UB = UB # 参数的上限 self.dim = dim # 参数的维度 self.whale_num = whale_num # 鲸鱼的数量 self.max_iter = max_iter # 最大迭代次数 self.b = b # woa算法中的参数 # 初始化鲸鱼的位置 self.X = np.random.uniform(0, 1, (whale_num, dim)) * (UB - LB) + LB self.gBest_score = np.inf # 全局最佳适应度分数 self.gBest_curve = np.zeros(max_iter) # 全局最佳适应度曲线 self.gBest_X = np.zeros(dim) # 全局最佳参数 # 适应度函数，用于评估参数的优劣 def fitFunc(self, para): # 建立模型并计算适应度 mse = training(para) return mse #更多模型搜索机器学习之心，支持模型定制 # WOA算法的优化过程 def opt(self): t = 0 while t < self.max_iter: print('At iteration: ' + str(t)) for i in range(self.whale_num): # 防止X溢出边界 self.X[i, :] = np.clip(self.X[i, :], self.LB, self.UB) # 检查边界 fitness = self.fitFunc(self.X[i, :]) # 计算适应度 # 更新全局最佳适应度分数和参数 if fitness <= self.gBest_score: self.gBest_score = fitness self.gBest_X = self.X[i, :].copy() print('self.gBest_score: ', self.gBest_score) print('self.gBest_X: ', self.gBest_X) a = 2 * (self.max_iter - t) / self.max_iter # 更新鲸鱼的位置 for i in range(self.whale_num): p = np.random.uniform() R1 = np.random.uniform() R2 = np.random.uniform() A = 2 * a * R1 - a C = 2 * R2 l = 2 * np.random.uniform() - 1 # 如果随机值大于0.5，按照以下算法更新位置 if p >= 0.5: D = abs(self.gBest_X - self.X[i, :]) self.X[i, :] = D * np.exp(self.b * l) * np.cos(2 * np.pi * l) + self.gBest_X else: # 如果随机值小于0.5，按照以下算法更新位置 if abs(A) < 1: D = abs(C * self.gBest_X - self.X[i, :]) self.X[i, :] = self.gBest_X - A * D else: