回归预测 | MATLAB实现基于BiLSTM-AdaBoost双向长短期记忆网络结合AdaBoost多输入单输出回归预测

回归预测 | MATLAB实现基于BiLSTM-AdaBoost双向长短期记忆网络结合AdaBoost多输入单输出回归预测

预测效果

基本介绍

1.MATLAB实现基于BiLSTM-AdaBoost双向长短期记忆网络结合AdaBoost多输入单输出回归预测；
2.运行环境为Matlab2020b；
3.输入多个特征，输出单个变量，多变量回归预测；
4.data为数据集，excel数据，前7列输入，最后1列输出，main.m为主程序，运行即可,所有文件放在一个文件夹；
5.命令窗口输出R2、MSE、MAE、MAPE和MBE多指标评价。

模型描述

BiLSTM-AdaBoost是一种结合了双向长短期记忆网络（BiLSTM）和AdaBoost算法的预测模型。BiLSTM是一种适用于序列数据的深度学习模型，可以在处理时序数据时有效地捕捉长期依赖关系。而AdaBoost算法则是一种集成学习方法，通过加权组合多个弱分类器来提高整体分类器的性能。
在BiLSTM-AdaBoost模型中，首先利用BiLSTM对序列数据进行特征提取，将其转化为高维特征向量。然后，将这些特征向量作为输入，使用AdaBoost算法构建多个弱回归器。每个弱回归器都是基于一个随机子集的训练数据集进行训练，并对预测结果进行加权。最终，通过组合所有弱回归器的预测结果，得到一个最终的单输出回归预测结果。
BiLSTM-AdaBoost模型的优点在于它可以同时利用深度学习和集成学习的优势，从而提高预测的准确性和鲁棒性。此外，该模型也具有较好的可解释性，可以通过分析不同弱回归器的贡献来了解预测结果的形成过程。

程序设计

• 完整源码和数据获取方式：私信博主；

%% 预测
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);

%%  均方根误差
error1 = sqrt(sum((T_sim1' - T_train).^2) ./ M);
error2 = sqrt(sum((T_sim2' - T_test ).^2) ./ N);


%%  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(abs(T_sim1' - T_train)) ./ M ;
mbe2 = sum(abs(T_sim1' - T_train)) ./ 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)])

参考资料

[1] https://blog.csdn.net/kjm13182345320/article/details/128577926?spm=1001.2014.3001.5501
[2] https://blog.csdn.net/kjm13182345320/article/details/128573597?spm=1001.2014.3001.5501