多维时序 | MATLAB实现PSO-CNN-BiLSTM多变量时间序列预测

多维时序 | MATLAB实现PSO-CNN-BiLSTM多变量时间序列预测

基本介绍

本次运行测试环境MATLAB2021b，MATLAB实现PSO-CNN-BiLSTM多变量时间序列预测。代码说明：基于粒子群优化算法（PSO）、卷积神经网络（CNN）和双向长短期记忆网络（BiLSTM）的多变量时间序列预测算法。

模型特点

深度学习使用分布式的分层特征表示方法自动提取数据中的从最低层到最高层固有的抽象特征和隐藏不变结构. 为了充分利用单个模型的优点并提高预测性能, 现已提出了许多组合模型。构建基于卷积神经网络（Convolutional Neural Network，CNN）和双向长短期记忆（Bidirectional Long Short-Term Memory，BiLSTM）的混合模型（CNN-BiLSTM）进行棉花产量预估，提高时间维度和空间维度方面的特征提取能力。

• 本研究提出的CNN-BiLSTM 模型结构主要由CNN模块、BiLSTM 模块和输出模块3 部分。CNN 结构的第一部分是卷积层，进行卷积运算提取局部空间特征。

• BiLSTM 网络的主体隐藏层结构是在LSTM 网络的基础上由正向输入运算的LSTM 网络和反向输入运算的LSTM 网络上下叠加构成，在保留了LSTM 单元结构特点的同时，更加关注时序数据的前后关联性，确保时序特征的提取。

• CNN-BiLSTM 模型的输出模块由全连接神经网络组成，网络输入向量包含CNN 提取的空间特征和BiLSTM网络提取的时序特征，其隐藏层数量为1，神经元个数为500，激活函数为ReLU，最终输出为估产结果。

• 功能：
  1、多变量特征输入，单序列变量输出，输入前一天的特征，实现后一天的预测，超前24步预测。
  2、通过粒子群优化算法优化学习率、卷积核大小、神经元个数，这3个关键参数，以最小MAPE为目标函数。
  3、网络的特征可视化图；测试对比图；适应度曲线（若首轮精度最高，则适应度曲线为水平直线）。
  4、提供MAPE、RMSE、MAE等计算结果展示。

• 适用领域：
  风速预测、光伏功率预测、发电功率预测、碳价预测等多种应用。

• 使用便捷：
  直接使用EXCEL表格导入数据，无需大幅修改程序。内部有详细注释，易于理解。

程序设计

• 完整程序和数据下载：私信博主回复MATLAB实现PSO-CNN-BiLSTM多变量时间序列预测。

% CNN-BiLSTM多变量时间序列预测
% 数据集 列为特征，行为样本数目
%--------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------
clc
clear
load Train.mat
%
Train(1,:) =[];
y = Train.demand;
x = Train{:,3:end};
[xnorm,xopt] = mapminmax(x',0,1);
[ynorm,yopt] = mapminmax(y',0,1);
x = x';
k = 24;           % 滞后长度
%--------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------
% 转换成4-D image
for i = 1:length(ynorm)-k

    Train_xNorm{i} = reshape(xnorm(:,i:i+k-1),6,1,1,k);
    Train_yNorm(i) = ynorm(i+k-1);
end
Train_yNorm= Train_yNorm';
%--------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------
%--------------------------------------------------------------------------
load Test.mat
Test(1,:) =[];
ytest = Test.demand;
xtest = Test{:,3:end};
[xtestnorm] = mapminmax('apply', xtest',xopt);
[ytestnorm] = mapminmax('apply',ytest',yopt);
xtest = xtest';
for i = 1:length(ytestnorm)-k
    Test_xNorm{i} = reshape(xtestnorm(:,i:i+k-1),6,1,1,k);
    Test_yNorm(i) = ytestnorm(i+k-1);
    Test_y(i) = ytest(i+k-1);
end
Test_yNorm = Test_yNorm';

• 相关预测

参考资料

[1] https://blog.csdn.net/kjm13182345320/article/details/127313031?spm=1001.2014.3001.5502
[2] https://blog.csdn.net/kjm13182345320/article/details/128011037?spm=1001.2014.3001.5502