时序预测 | MATLAB实现基于PSO-BiLSTM、BiLSTM时间序列预测对比

这篇具有很好参考价值的文章主要介绍了时序预测 | MATLAB实现基于PSO-BiLSTM、BiLSTM时间序列预测对比。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

时序预测 | MATLAB实现基于PSO-BiLSTM、BiLSTM时间序列预测对比

效果一览

时序预测 | MATLAB实现基于PSO-BiLSTM、BiLSTM时间序列预测对比,时间序列,PSO-BiLSTM,BiLSTM,PSO,时间序列预测
时序预测 | MATLAB实现基于PSO-BiLSTM、BiLSTM时间序列预测对比,时间序列,PSO-BiLSTM,BiLSTM,PSO,时间序列预测

时序预测 | MATLAB实现基于PSO-BiLSTM、BiLSTM时间序列预测对比,时间序列,PSO-BiLSTM,BiLSTM,PSO,时间序列预测

时序预测 | MATLAB实现基于PSO-BiLSTM、BiLSTM时间序列预测对比,时间序列,PSO-BiLSTM,BiLSTM,PSO,时间序列预测
时序预测 | MATLAB实现基于PSO-BiLSTM、BiLSTM时间序列预测对比,时间序列,PSO-BiLSTM,BiLSTM,PSO,时间序列预测

时序预测 | MATLAB实现基于PSO-BiLSTM、BiLSTM时间序列预测对比,时间序列,PSO-BiLSTM,BiLSTM,PSO,时间序列预测
时序预测 | MATLAB实现基于PSO-BiLSTM、BiLSTM时间序列预测对比,时间序列,PSO-BiLSTM,BiLSTM,PSO,时间序列预测

基本描述

MATLAB实现基于PSO-BiLSTM、BiLSTM时间序列预测对比。
1.Matlab实现PSO-BiLSTM和BiLSTM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Main1BiLSTMTS、Main2PSOBiLSTMTS、Main3CDM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;
BiLSTM(双向长短时记忆模型)与粒子群算法优化后的BiLSTM(PSOBiLSTM)对比实验,可用于风电、光伏等负荷预测,时序预测,数据为单输入单输出,PSO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;

程序设计

  • 完整程序和数据下载:私信博主回复MATLAB实现基于PSO-BiLSTM、BiLSTM时间序列预测对比
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文章来源地址https://www.toymoban.com/news/detail-681395.html

到了这里,关于时序预测 | MATLAB实现基于PSO-BiLSTM、BiLSTM时间序列预测对比的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • 多维时序 | Matlab实现基于VMD-DBO-BiLSTM、VMD-BiLSTM、BiLSTM的多变量时间序列预测

    预测效果 基本介绍 Matlab实现基于VMD-DBO-BiLSTM、VMD-BiLSTM、BiLSTM的多变量时间序列预测(完整程序和数据) 1.先运行vmdtest,进行vmd分解; 2.再运行VMD-DBO-BiLSTM,三个模型对比; 3.运行环境Matlab2018及以上。 VMD-DBO-BiLSTM:变分模态分解结合蜣螂算法优化双向长短期记忆神经网络;

    2024年02月21日
    浏览(43)
  • 时序预测 | MATLAB实现基于QPSO-BiGRU、PSO-BiGRU、BiGRU时间序列预测

    效果一览 基本描述 1.时序预测 | MATLAB实现基于QPSO-BiGRU、PSO-BiGRU、BiGRU时间序列预测; 2.单变量时间序列数据集; 3.运行环境Matlab2020及以上,依次运行Main1GRUTS、Main2PSOBiGRUTS、Main3QPSOBiGRUTS、Main4CDM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,单变量时间

    2024年02月10日
    浏览(36)
  • 时序预测 | MATLAB实现基于CNN-BiLSTM卷积双向长短期记忆神经网络的时间序列预测-递归预测未来(多指标评价)

    预测结果 基本介绍 MATLAB实现基于CNN-BiLSTM卷积双向长短期记忆神经网络的时间序列预测-递归预测未来(多指标评价) 1.MATLAB实现基于CNN-BiLSTM卷积双向长短期记忆神经网络的时间序列预测-递归预测未来(多指标评价); 2.运行环境Matlab2020及以上,data为数据集,单变量时间序列预测

    2024年02月12日
    浏览(32)
  • 时序预测 | MATLAB实现ICEEMDAN-iMPA-BiLSTM时间序列预测

    预测效果 基本介绍 ICEEMDAN-IMPA-BiLSTM功率/风速预测 基于改进的自适应经验模态分解+改进海洋捕食者算法+双向长短期记忆网络时间序列预测~组合预测 1.分解时避免了传统经验模态分解的一些固有缺陷,效果更佳,并通过改进的海洋捕食者算法对BiLSTM四个参数进行寻优,最后

    2024年02月09日
    浏览(54)
  • 多维时序 | Matlab实现BiLSTM-Adaboost和BiLSTM多变量时间序列预测对比

    预测效果 基本介绍 多维时序 | Matlab实现BiLSTM-Adaboost和BiLSTM多变量时间序列预测对比 模型描述 Matlab实现BiLSTM-Adaboost和BiLSTM多变量时间序列预测对比(完整程序和数据) 1.输入多个特征,输出单个变量; 2.考虑历史特征的影响,多变量时间序列预测; 4.csv数据,方便替换; 5

    2024年02月10日
    浏览(41)
  • 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,

    2024年02月11日
    浏览(51)
  • 多维时序 | MATLAB实现SCNGO-BiLSTM-Attention多变量时间序列预测

    预测效果 基本介绍 多维时序 | MATLAB实现SCNGO-BiLSTM-Attention多变量时间序列预测。 模型描述 MATLAB实现SCNGO-BiLSTM-Attention多变量时间序列预测 1.无Attention适用于MATLAB 2020版及以上版本;融合Attention要求Matlab2023版以上; 2.基于融合正余弦和折射反向学习的北方苍鹰优化算法(SCNGO)

    2024年02月12日
    浏览(37)
  • 多维时序 | MATLAB实现PSO-CNN-BiGRU多变量时间序列预测

    预测效果 基本介绍 1.多维时序 | MATLAB实现PSO-CNN-BiGRU多变量时间序列预测; 2.运行环境为Matlab2020b; 3.基于粒子群优化算法(PSO)、卷积神经网络(CNN)和双向门控循环单元网络(BiGRU)的超前24步多变量时间序列回归预测算法; 4.多变量特征输入,单序列变量输出,输入前一

    2024年02月12日
    浏览(46)
  • 时序预测 | MATLAB实现CNN-BiLSTM卷积双向长短期记忆神经网络时间序列预测(风电功率预测)

    预测效果 基本介绍 1.MATLAB实现CNN-BiLSTM卷积双向长短期记忆神经网络时间序列预测(风电功率预测); 2.运行环境为Matlab2021b; 3.单个变量时间序列预测; 4.data为数据集,单个变量excel数据,MainCNN_BiLSTMTS.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、MS

    2024年02月09日
    浏览(40)
  • 时序预测 | MATLAB实现PSO-LSTM(粒子群优化长短期记忆神经网络)时间序列预测

    预测效果 基本介绍 Matlab基于PSO-LSTM粒子群算法优化长短期记忆网络的时间序列预测,PSO-LSTM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2018b及以上版本,matlab代码。 评价指标包括:R2、MAE、MSE、RMSE和MAPE等,代码质量极高,方便学习

    2024年02月12日
    浏览(47)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包