基于遗传算法(GA)优化门控循环单元(GA-GRU)的多变量时间序列预测（Matlab完整源码和数据）

%% 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 result = xlsread('data.xlsx'); %% 数据分析 num_samples = length(result); % 样本个数 or_dim = size(result, 2); % 原始特征+输出数目 kim = 6; % 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 %% 划分数据集 for i = 1: num_samples - kim - zim + 1 res(i, :) = [reshape(result(i: i + kim - 1, :), 1, kim * or_dim), result(i + kim + zim - 1, :)]; end %% 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 %% 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); %% 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); %% 优化算法参数设置 SearchAgents_no = 5; % 种群数量 Max_iteration = 5; % 最大迭代次数 dim = 3; % 优化参数个数 lb = [1e-3, 10, 1e-3]; % 参数取值下界(学习率，隐藏层节点，正则化系数) ub = [1e-2, 30, 1e-2]; % 参数取值上界(学习率，隐藏层节点，正则化系数) fitness = @(x)fical(x,p_train,t_train,f_); [Best_score,Best_pos,Convergence_curve]=GA(SearchAgents_no,Max_iteration,lb ,ub,dim,fitness) %% 记录最佳参数 Best_pos(1, 2) = round(Best_pos(1, 2)); best_lr = Best_pos(1, 1); best_hd = Best_pos(1, 2); best_l2 = Best_pos(1, 3); %% 建立模型 % ---------------------- 修改模型结构时需对应修改fical.m中的模型结构 -------------------------- layers = [ sequenceInputLayer(f_) % 输入层 gruLayer(best_hd) % GRU层 reluLayer % Relu激活层 fullyConnectedLayer(outdim) % 输出回归层 regressionLayer]; %% 参数设置 % ---------------------- 修改模型参数时需对应修改fical.m中的模型参数 -------------------------- options = trainingOptions('adam', ... % Adam 梯度下降算法 'MaxEpochs', 100, ... % 最大训练次数 'MiniBatchSize',128, ... % 批处理次数 'InitialLearnRate', best_lr, ... % 初始学习率 best_lr 'LearnRateSchedule', 'piecewise', ... % 学习率下降 'LearnRateDropFactor', 0.5, ... % 学习率下降因子 0.1 'LearnRateDropPeriod', 50, ... % 经过50次训练后 学习率为 best_lr * 0.5 'Shuffle', 'every-epoch', ... % 每次训练打乱数据集 'ValidationPatience', Inf, ... % 关闭验证 'L2Regularization', best_l2, ... % 正则化参数 'Plots', 'training-progress', ... % 画出曲线 'Verbose', 1); %% 训练模型 net = trainNetwork(p_train, t_train, layers, options); %% 仿真验证 t_sim1 = predict(net, p_train); t_sim2 = predict(net, p_test ); %% 数据反归一化 T_sim1 = mapminmax('reverse', t_sim1, ps_output); T_sim2 = mapminmax('reverse', t_sim2, ps_output); T_sim1=double(T_sim1); T_sim2=double(T_sim2); %% 绘图 figure plot(1 : length(Convergence_curve), Convergence_curve,'linewidth',1.5); title('GA-GRU', 'FontSize', 10); xlabel('迭代次数', 'FontSize', 10); ylabel('适应度值mse', 'FontSize', 10); grid off %% 测试集结果 % figure; % plotregression(T_test,T_sim2,['回归图']); % figure; % ploterrhist(T_test-T_sim2,['误差直方图']); %% 均方根误差 RMSE error1 = sqrt(sum((T_sim1 - T_train).^2)./M); error2 = sqrt(sum((T_test - T_sim2).^2)./N); %% 结果对比绘图 %% 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(['训练集数据的R2为：', num2str(R1)]) disp(['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(['训练集数据的MAE为：', num2str(mae1)]) disp(['测试集数据的MAE为：', num2str(mae2)]) %% 平均绝对百分比误差MAPE MAPE1 = mean(abs((T_train - T_sim1)./T_train)); MAPE2 = mean(abs((T_test - T_sim2)./T_test)); disp(['训练集数据的MAPE为：', num2str(MAPE1)]) disp(['测试集数据的MAPE为：', num2str(MAPE2)]) % MBE mbe1 = sum(T_sim1 - T_train) ./ M ; mbe2 = sum(T_sim2 - T_test ) ./ N ; disp(['训练集数据的MBE为：', num2str(mbe1)]) disp(['测试集数据的MBE为：', num2str(mbe2)]) %均方误差 MSE mse1 = sum((T_sim1 - T_train).^2)./M; mse2 = sum((T_sim2 - T_test).^2)./N; disp(['训练集数据的MSE为：', num2str(mse1)]) disp(['测试集数据的MSE为：', num2str(mse2)]) %% 绘图 figure plot(1: M, T_train, '-', 1: M, T_sim1, '-', 'LineWidth', 1) legend('真实值', '预测值') xlabel('预测样本') ylabel('预测结果') string = {'训练集预测结果对比'; ['RMSE=' num2str(error1)]}; title(string) xlim([1, M]) figure plot(1: N, T_test, '-', 1: N, T_sim2, '-', 'LineWidth', 1) legend('真实值', '预测值') xlabel('预测样本') ylabel('预测结果') string = {'测试集预测结果对比'; ['RMSE=' num2str(error2)]}; title(string) xlim([1, N]) %% 绘制线性拟合图 %% 训练集拟合效果图 figure plot(T_train,T_sim1,'o','Markersize',7); xlabel('真实值') ylabel('预测值') string = {'训练集效果图';['R^2_c=' num2str(R1) ' RMSEC=' num2str(error1) ]}; title(string) hold on ;h=lsline; set(h,'LineWidth',2,'LineStyle','-','Color',[1 0 0]) %% 预测集拟合效果图 figure plot(T_test,T_sim2,'o','Markersize',7); xlabel('真实值') ylabel('预测值') string1 = {'测试集效果图';['R^2_p=' num2str(R2) ' RMSEP=' num2str(error2) ]}; title(string1) hold on ;h=lsline(); set(h,'LineWidth',2,'LineStyle','-','Color',[1 0 0]) %% 求平均 R3=(R1+R2)./2; error3=(error1+error2)./2; %% 总数据线性预测拟合图 tsim=[T_sim1 T_sim2]'; S=[T_train,T_test]'; figure plot(S,tsim,'o','Markersize',7); xlabel('真实值') ylabel('预测值') string1 = {'所有样本拟合预测图';['R^2_p=' num2str(R3) ' RMSEP=' num2str(error3) ]}; title(string1) hold on ;h=lsline(); set(h,'LineWidth',2,'LineStyle','-','Color',[1 0 0])