【LSTM回归预测】布谷鸟算法优化LSTM回归预测【含Matlab源码 2037期】.zip

clear close all %% 数据读取 geshu=200;%训练集的个数 %读取数据 shuru=xlsread('数据的输入.xlsx'); shuchu=xlsread('数据的输出.xlsx'); nn = randperm(size(shuru,1));%随机排序 % nn=1:size(shuru,1);%正常排序 input_train =shuru(nn(1:geshu),:); input_train=input_train'; output_train=shuchu(nn(1:geshu),:); output_train=output_train'; input_test =shuru(nn((geshu+1):end),:); input_test=input_test'; output_test=shuchu(nn((geshu+1):end),:); output_test=output_test'; %样本输入输出数据归一化 [aa,bb]=mapminmax([input_train input_test]); [cc,dd]=mapminmax([output_train output_test]); global inputn outputn shuru_num shuchu_num [inputn,inputps]=mapminmax('apply',input_train,bb); [outputn,outputps]=mapminmax('apply',output_train,dd); shuru_num = size(input_train,1); % 输入维度 shuchu_num = 1; % 输出维度 %% 利用算法选择最佳的BP参数 N = 4; %　巢穴数量(解决方案的规模) D = 2 ; % 解的维数 T = 30 ; % 迭代次数 % 自变量上下限 ParticleScope(1,:)=[10 200]; ParticleScope(2,:)=[0.01 0.15]; ParticleScope=ParticleScope'; %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% xv=rand(N,D); %首先，初始化种群个体速度和位置 for d=1:D xv(:,d)=xv(:,d)*(ParticleScope(2,d)-ParticleScope(1,d))+ParticleScope(1,d); end %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% Nest_Pop=xv(:,1:D); % 随机初始解决方案 Pa = 0.25 ; % 建新巢的概率(宿主鸟发现外来鸟蛋后) for t=1:T levNestPop = func_levy(Nest_Pop,ParticleScope) ; % 产生新的解 Nest_Pop = func_bestNestPop(Nest_Pop,levNestPop); % 在新巢和旧巢中选择一个最好的巢 rand_nestPop = func_newBuildNest(Nest_Pop,Pa,ParticleScope); % 通过偏好随机游走放弃更糟糕的巢并建立新的巢 Nest_Pop = func_bestNestPop(Nest_Pop,rand_nestPop) ; % 在新巢和旧巢中选择一个最好的巢 [~,index] = max(func_fitness(Nest_Pop)) ; % 最好的巢穴 trace(t) = func_objValue(Nest_Pop(index,:)) ; end %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% %% 参数选择结果赋值 x=Nest_Pop(index,:); zhongjian1_num = round(x(1)); xue = x(2); %% 模型建立与训练 layers = [ ... sequenceInputLayer(shuru_num) % 输入层 lstmLayer(zhongjian1_num) % LSTM层 fullyConnectedLayer(shuchu_num) % 全连接层 regressionLayer]; options = trainingOptions('adam', ... % 梯度下降 'MaxEpochs',50, ... % 最大迭代次数 'GradientThreshold',1, ... % 梯度阈值 'InitialLearnRate',xue,... 'Verbose',0, ... 'Plots','training-progress'); % 学习率 %% 训练LSTM net = trainNetwork(inputn,outputn,layers,options); %% 预测 net = resetState(net);% 网络的更新状态可能对分类产生了负面影响。重置网络状态并再次预测序列。 [~,Ytrain]= predictAndUpdateState(net,inputn); test_simu=mapminmax('reverse',Ytrain,dd);%反归一化 rmse = sqrt(mean((test_simu-output_train).^2)); % 训练集 %测试集样本输入输出数据归一化 inputn_test=mapminmax('apply',input_test,bb); [net,an]= predictAndUpdateState(net,inputn_test); test_simu1=mapminmax('reverse',an,dd);%反归一化 error1=test_simu1-output_test;%测试集预测-真实 %计算均方根误差 (RMSE)。 rmse1 = sqrt(mean((test_simu1-output_test).^2)); % 测试集 %% 画图 %将预测值与测试数据进行比较。 figure plot(output_train) hold on plot(test_simu,'.-') hold off legend(["真实值" "预测值"]) xlabel("样本") title("训练集") figure plot(output_test) hold on plot(test_simu1,'.-') hold off legend(["真实值" "预测值"]) xlabel("样本") title("测试集") % 真实数据，行数代表特征数，列数代表样本数output_test = output_test; T_sim_optimized = test_simu1; % 仿真数据 num=size(output_test,2);%统计样本总数 error=T_sim_optimized-output_test; %计算误差 mae=sum(abs(error))/num; %计算平均绝对误差 me=sum((error))/num; %计算平均绝对误差 mse=sum(error.*error)/num; %计算均方误差 rmse=sqrt(mse); %计算均方误差根 % R2=r*r; tn_sim = T_sim_optimized'; tn_test =output_test'; N = size(tn_test,1); R2=(N*sum(tn_sim.*tn_test)-sum(tn_sim)*sum(tn_test))^2/((N*sum((tn_sim).^2)-(sum(tn_sim))^2)*(N*sum((tn_test).^2)-(sum(tn_test))^2)); disp(' ') disp('----------------------------------------------------------') disp(['平均绝对误差mae为： ',num2str(mae)]) disp(['平均误差me为： ',num2str(me)]) disp(['均方误差根rmse为： ',num2str(rmse)]) disp(['相关系数R2为： ' ,num2str(R2)])