回归预测 | MATLAB实现基于QPSO-LSTM、PSO-LSTM、LSTM多输入单输出回归预测

回归预测 | MATLAB实现基于QPSO-LSTM、PSO-LSTM、LSTM多输入单输出回归预测

目录

    • 回归预测 | MATLAB实现基于QPSO-LSTM、PSO-LSTM、LSTM多输入单输出回归预测
      • 效果一览
      • 基本描述
      • 模型描述
      • 程序设计
      • 参考资料

效果一览

回归预测 | MATLAB实现基于QPSO-LSTM、PSO-LSTM、LSTM多输入单输出回归预测_第1张图片
回归预测 | MATLAB实现基于QPSO-LSTM、PSO-LSTM、LSTM多输入单输出回归预测_第2张图片
回归预测 | MATLAB实现基于QPSO-LSTM、PSO-LSTM、LSTM多输入单输出回归预测_第3张图片
回归预测 | MATLAB实现基于QPSO-LSTM、PSO-LSTM、LSTM多输入单输出回归预测_第4张图片
回归预测 | MATLAB实现基于QPSO-LSTM、PSO-LSTM、LSTM多输入单输出回归预测_第5张图片
回归预测 | MATLAB实现基于QPSO-LSTM、PSO-LSTM、LSTM多输入单输出回归预测_第6张图片
回归预测 | MATLAB实现基于QPSO-LSTM、PSO-LSTM、LSTM多输入单输出回归预测_第7张图片
回归预测 | MATLAB实现基于QPSO-LSTM、PSO-LSTM、LSTM多输入单输出回归预测_第8张图片
回归预测 | MATLAB实现基于QPSO-LSTM、PSO-LSTM、LSTM多输入单输出回归预测_第9张图片

11
12

基本描述

1.Matlab实现QPSO-LSTM、PSO-LSTM和LSTM神经网络时间序列预测;
2.输入数据为单变量时间序列数据,即一维数据;
3.运行环境Matlab2020及以上,依次运行Main1LSTMNN、Main2PSOLSTMNN、Main3_QPSOLSTMNN、Main4_CDM即可,其余为函数文件无需运行,所有程序放在一个文件夹,data为数据集,输入多个特征,输出单个变量;
LSTM(长短时记忆模型)与粒子群算法优化后的LSTM(PSOLSTM)以及量子粒子群算法优化后的LSTM(QPSOLSTM)对比实验,可用于风电、光伏等负荷预测,数据为多输入单输出预测,最后一列输出,PSO、QPSO优化超参数为隐含层1节点数、隐含层2节点数、最大迭代次数和学习率。
4.命令窗口输出MAE、MAPE、RMSE和R2。

模型描述

LSTM (Long Short-Term Memory)是一种适用于序列数据分析的循环神经网络 (RNN) 架构,它可以捕捉数据中的时间依赖关系和模式。LSTM模型包含三个关键的门控单元:输入门、遗忘门和输出门,它们可以控制信息的流动,从而有效地处理时间序列数据。LSTM模型通常需要手动选择和调整许多超参数,如LSTM层数、隐藏单元数等,以最大化模型的性能。
PSO-LSTM和QPSO-LSTM是LSTM的变体,它们使用粒子群优化 (PSO) 和量子粒子群优化 (QPSO) 算法来优化LSTM模型的超参数。这些算法可以自动搜索并找到最佳的超参数组合,以最大化LSTM模型的性能。
PSO算法是一种元启发式算法,它通过模拟鸟群捕食的行为来搜索最优解。在PSO-LSTM中,每个粒子表示一组超参数,如LSTM层数、隐藏单元数等。粒子的位置表示该组超参数的取值,速度表示在搜索过程中改变该组超参数的步长。通过计算每个粒子的适应度(即模型的性能),PSO算法可以自动搜索并找到最佳的超参数组合,以最大化LSTM模型的性能。
QPSO算法是一种基于量子力学原理的优化算法,它可以更好地处理高维优化问题和局部最优解。在QPSO-LSTM中,每个粒子表示一组超参数,如LSTM层数、隐藏单元数等。与PSO算法不同的是,QPSO算法使用概率幅度和相位来代替位置和速度,从而更好地利用粒子的量子特性。通过计算每个粒子的适应度(即模型的性能),QPSO算法可以自动搜索并找到最佳的超参数组合,以最大化LSTM模型的性能。
总的来说,LSTM模型通过使用门控单元和长短时记忆单元来处理时间序列数据。PSO-LSTM和QPSO-LSTM则使用粒子群算法来搜索最佳的超参数组合,以最大化LSTM模型的性能。这些算法可以自动搜索并找到最佳的超参数组合,从而提高LSTM模型在时间序列预测任务中的性能。

程序设计

  • 完整程序和数据下载:私信博主。
for i=1:PopNum%随机初始化速度,随机初始化位置
    for j=1:dim
        if j==dim% % 隐含层节点与训练次数是整数 学习率是浮点型
            pop(i,j)=(xmax(j)-xmin(j))*rand+xmin(j);
        else
            pop(i,j)=round((xmax(j)-xmin(j))*rand+xmin(j));  %
        end
    end
end

% calculate the fitness_value of Pop
pbest = pop;
gbest = zeros(1,dim);
data1 = zeros(Maxstep,PopNum,dim);
data2 = zeros(Maxstep,PopNum);
for i = 1:PopNum
    fit(i) = fitness(pop(i,:),p_train,t_train,p_test,t_test);
    f_pbest(i) = fit(i);
end
g = min(find(f_pbest == min(f_pbest(1:PopNum))));
gbest = pbest(g,:);
f_gbest = f_pbest(g);

%-------- in the loop -------------
for step = 1:Maxstep
    
    mbest =sum(pbest(:))/PopNum;
    % linear weigh factor
    b = 1-step/Maxstep*0.5;
    data1(step,:,:) = pop;
    data2(step,:) = fit;
    for i = 1:PopNum
        a = rand(1,dim);
        u = rand(1,dim);
        p = a.*pbest(i,:)+(1-a).*gbest;
        pop(i,:) = p + b*abs(mbest-pop(i,:)).*...
            log(1./u).*(1-2*(u >= 0.5));
        % boundary detection
        
        for j=1:dim
            if j ==dim
                if pop(i,j)>xmax(j) | pop(i,j)<xmin(j)
                    pop(i,j)=(xmax(j)-xmin(j))*rand+xmin(j);  %
                end
            else
                pop(i,j)=round(pop(i,j));
                if pop(i,j)>xmax(j) | pop(i,j)<xmin(j)
                    pop(i,j)=round((xmax(j)-xmin(j))*rand+xmin(j));  %
                end
            end
        end
        
        
        fit(i) = fitness(pop(i,:),p_train,t_train,p_test,t_test);
        if fit(i) < f_pbest(i)
            pbest(i,:) = pop(i,:);
            f_pbest(i) = fit(i);
        end
        if f_pbest(i) < f_gbest
            gbest = pbest(i,:);
            f_gbest = f_pbest(i);
        end
    end
    trace(step)=f_gbest;
    step,f_gbest,gbest
    result(step,:)=gbest;
end
or i=1:N%随机初始化速度,随机初始化位置
    for j=1:D
        if j==D% % 隐含层节点与训练次数是整数 学习率是浮点型
            x(i,j)=(xmax(j)-xmin(j))*rand+xmin(j);
        else
            x(i,j)=round((xmax(j)-xmin(j))*rand+xmin(j));  %
        end
    end
    
    v(i,:)=rand(1,D);
end

%------先计算各个粒子的适应度,并初始化Pi和Pg----------------------
for i=1:N
    p(i)=fitness(x(i,:),p_train,t_train,p_test,t_test);
    y(i,:)=x(i,:);
    
end
[fg,index]=min(p);
pg = x(index,:);             %Pg为全局最优

%------进入主要循环,按照公式依次迭代------------

for t=1:M
    
    for i=1:N
        v(i,:)=w*v(i,:)+c1*rand*(y(i,:)-x(i,:))+c2*rand*(pg-x(i,:));
        x(i,:)=x(i,:)+v(i,:);
        
        
        for j=1:D
            if j ~=D
                x(i,j)=round(x(i,j));
            end
            if x(i,j)>xmax(j) | x(i,j)<xmin(j)
                if j==D
                    x(i,j)=(xmax(j)-xmin(j))*rand+xmin(j);  %
                else
                    x(i,j)=round((xmax(j)-xmin(j))*rand+xmin(j));  %
                end
            end
        end
        temp=fitness(x(i,:),p_train,t_train,p_test,t_test);
        if temp<p(i)
            p(i)=temp;
            y(i,:)=x(i,:);
        end
        
        if p(i)<fg
            pg=y(i,:);
            fg=p(i);
        end
    end
    trace(t)=fg;
    result(t,:)=pg;

参考资料

[1] https://blog.csdn.net/kjm13182345320/article/details/127596777?spm=1001.2014.3001.5501
[2] https://download.csdn.net/download/kjm13182345320/86830096?spm=1001.2014.3001.5501

你可能感兴趣的:(回归预测,QPSO-LSTM,PSO-LSTM,LSTM,多输入单输出回归预测)