回归预测 | MATLAB实现PSO-LSTM(粒子群优化长短期记忆神经网络)多输入单输出

回归预测 | MATLAB实现PSO-LSTM(粒子群优化长短期记忆神经网络)多输入单输出

基本介绍

本次运行测试环境MATLAB2020b；
本次预测基本任务是回归，多变量输入，单变量输出；
主要研究问题不限于交通预测、负荷预测、气象预测、经济预测等。
PSO-LSTM多变量输入单变量输出，粒子群优化长短期记忆神经网络的隐藏层单元和初始学习率，组合预测具体介绍如下。

模型介绍

提出一种基于粒子群优化( PSO) 的长短期记忆( LSTM) 预测模型( PSO-LSTM) ，该模型在LSTM 模型的基础上进行改进和优化，因此擅长处理具有长期依赖关系的、复杂的非线性问题。通过自适应学习策略的PSO 算法对LSTM 模型的关键参数进行寻优，使数据特征与网络拓扑结构相匹配，提高预测精度。

PSO模型

• 粒子群算法的思想源于对鸟类社会行为的研究。鸟群捕食最简单有效的方法是搜索距离食物最近的鸟的所在区域，通过个体间的协助和信息共享实现群体进化。
• 算法将群体中的个体看作多维搜索空间中的一个粒子，每个粒子代表问题的一个可能解，其特征信息用位置、速度和适应度值3 种指标描述，适应度值由适应度函数计算得到，适应度值的大小代表粒子的优劣。
• 粒子以一定的速度“飞行”，根据自身及其他粒子的移动经验，即自身和群体最优适应度值，改变移动的方向和距离。不断迭代寻找较优区域，从而完成在全局搜索空间中的寻优过程。

LSTM模型

• LSTM 是一种特殊的循环神经网络。它通过精心设计“门”结构，避免了传统循环神经网络产生的梯度消失与梯度爆炸问题，能有效地学习到
  长期依赖关系。因此，在处理时间序列的预测和分类问题中，具有记忆功能的LSTM 模型表现出较强的优势。
  

PSO-LSTM模型

• 将LSTM初始学习率、隐藏层单元数目作为PSO 算法的优化对象，根
  据超参数取值范围随机初始化各粒子位置信息。
• 其次，根据粒子位置对应的超参数取值建立LSTM 模型，利用训练数据对模型进行训练。将验证数据代入训练好的模型进行预测，以模型在
  验证数据集上的均方误差作为粒子适应度值。
  
• PSO-LSTM 模型算法流程如下:

• 步骤1 将实验数据分为训练数据、验证数据和测试数据。
• 步骤2 将LSTM 模型中时间窗口大小、批处理大小、神经网络隐藏层单元数目作为优化对象，初始化自适应PSO 算法。
• 步骤3 划分子群。
• 步骤4 计算每个粒子的适应度值。以各粒子对应参数构建LSTM 模型，通过训练数据进行训练，验证数据进行预测，将预测结果的平均绝对百分比误差作为各粒子的适应度值。
• 步骤5 根据粒子适应度值与种群划分结果，确定全局最优粒子位置pbest 和局部最优粒子位置gbest。
• 步骤6 根据PSO 算法的分别对普通粒子和局部最优粒子位置进行更新。
• 步骤7 判断终止条件。若满足终止条件，返回最优超参数取值; 否则，返回步骤3。
• 步骤8 利用最优超参数构建LSTM 模型。
• 步骤9 模型通过训练数据和验证数据进行训练，测试集进行预测，得到预测结果。

数据下载

• 下载地址
• PSO-LSTM(粒子群优化长短期记忆神经网络)数据

程序设计

% 1. 寻找最佳参数
NN=5;                   %初始化群体个数
D=2;                    %初始化群体维数，
T=10;                   %初始化群体最迭代次数
c1=2;                   %学习因子1
c2=2;                   %学习因子2
%用线性递减因子粒子群算法
Wmax=1.2; %惯性权重最大值
Wmin=0.8; %惯性权重最小值
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%每个变量的取值范围
ParticleScope(1,:)=[10 200];  % 中间层神经元个数
ParticleScope(2,:)=[0.01 0.15]; % 学习率
ParticleScope=ParticleScope';
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
xv=rand(NN,2*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);  
    xv(:,D+d)=(2*xv(:,D+d)-1 )*(ParticleScope(2,d)-ParticleScope(1,d))*0.2;
end
x1=xv(:,1:D);%位置
v1=xv(:,D+1:2*D);%速度
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%------初始化个体位置和适应度值-----------------
p1=x1;
pbest1=ones(NN,1);
for i=1:NN
    pbest1(i)=fitness(x1(i,:));
end
%------初始时全局最优位置和最优值---------------
gbest1=min(pbest1);
lab=find(min(pbest1)==pbest1);
g1=x1(lab,:);
gb1=ones(1,T);

• 完整程序下载：
• https://mianbaoduo.com/o/bread/mbd-YpiamZpq

预测效果

Matlab实现PSO-LSTM多变量回归预测
1.input和output为数据集，input为输入数据，output为输出数据。
2.PSO_LSTM.m为程序主文件，fitness为函数文件无需运行。
3.命令窗口输出R2、MAE和RMSE，可在下载区获取数据和程序内容。
4.粒子群优化LSTM,优化隐含层单元数量和初始学习率。
注意程序和数据放在一个文件夹，运行环境为Matlab2020及以上.

参考资料

[1] https://blog.csdn.net/kjm13182345320?spm=1010.2135.3001.5343
[2] https://mianbaoduo.com/o/bread/mbd-YpiamZpq
[3] SI Y W，YIN J． OBST-based segmentation approach to financial time series［J］． Engineering Applications of Artificial Intelligence，2013，26( 10) : 2581-2596．
[4] YUAN X，CHEN C，JIANG M，et al. Prediction Interval of Wind Power Using Parameter Optimized Beta Distribution Based LSTM Model［J］. Applied Soft Computing，2019，82：105550.143
[5] COSTA-JUSS，MAＲTA Ｒ，ALLAUZEN A，et al． Introduction to the special issue on deep learning approaches for machine translation［J］． Computer Speech ＆ Language，2017，46( 11) :367-373．
FAYEK H M，LECH M，CAVEDON L． Evaluating deep learning
architectures for speech emotion recognition［J］． Neural Network， 2017，92( 2) : 60-68．

致谢

• 大家的支持是我写作的动力!
• 感谢大家订阅，感谢，需要加Q-【1153460737】，记得备注！