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

news2024/11/13 21:46:30

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

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