时序预测 | MATLAB实现PSO-GRU(粒子群优化门控循环单元)时间序列预测

时序预测 | MATLAB实现PSO-GRU(粒子群优化门控循环单元)时间序列预测

目录

    • 时序预测 | MATLAB实现PSO-GRU(粒子群优化门控循环单元)时间序列预测
      • 预测效果
      • 基本介绍
      • 模型介绍
        • PSO模型
        • GRU模型
        • PSO-GRU模型
      • 程序设计
      • 参考资料
      • 致谢

预测效果

时序预测 | MATLAB实现PSO-GRU(粒子群优化门控循环单元)时间序列预测_第1张图片
时序预测 | MATLAB实现PSO-GRU(粒子群优化门控循环单元)时间序列预测_第2张图片

时序预测 | MATLAB实现PSO-GRU(粒子群优化门控循环单元)时间序列预测_第3张图片
时序预测 | MATLAB实现PSO-GRU(粒子群优化门控循环单元)时间序列预测_第4张图片
时序预测 | MATLAB实现PSO-GRU(粒子群优化门控循环单元)时间序列预测_第5张图片

基本介绍

Matlab基于PSO-GRU粒子群算法优化门控循环单元的时间序列预测(完整程序和数据)
Matlab基于PSO-GRU粒子群算法优化门控循环单元的时间序列预测,PSO-GRU时间序列预测(完整程序和数据)
优化参数为学习率,隐藏层节点个数,正则化参数,要求2020b及以上版本,matlab代码。

模型介绍

提出一种基于PSO-BiLSTM(粒子群优化双向长短期记忆神经网络) ,该模型在BiLSTM 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BiLSTM 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。

GRU模型

  • GRU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GRU 模型表现出较强的优势。

PSO-GRU模型

  • 将GRU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GRU 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-GRU 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GRU 模型中学习率,隐藏层节点个数,正则化参数作为优化对象,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GRU模型,通过训练数据进行训练,验证数据进行预测。
  • 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GRU 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。

程序设计

  • 完整程序和数据下载地址方式1:MATLAB实现PSO-GRU(粒子群优化门控循环单元)时间序列预测
  • 完整程序和数据下载地址方式2:订阅《GRU门控循环单元》专栏,订阅后两天内私信博主获取程序和数据,专栏外只能获取该程序。
% 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);

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

致谢

  • 大家的支持是我写作的动力!
  • 感谢大家订阅,记得备注!

你可能感兴趣的:(时间序列,PSO-GRU,粒子群优化门控循环单元,时间序列预测)