時(shí)序預(yù)測 | MATLAB實(shí)現(xiàn)IWOA-BiLSTM和BiLSTM時(shí)間序列預(yù)測(改進(jìn)的鯨魚算法優(yōu)化雙向長短期記憶神經(jīng)網(wǎng)絡(luò))

預(yù)測效果

基本介紹

MATLAB實(shí)現(xiàn)IWOA-BiLSTM和BiLSTM時(shí)間序列預(yù)測(改進(jìn)的鯨魚算法優(yōu)化雙向長短期記憶神經(jīng)網(wǎng)絡(luò))

算法的基本步驟如下：
步驟1：實(shí)驗(yàn)數(shù)據(jù)分為訓(xùn)練集和測試集．
步驟2：把BiLSTM模型中學(xué)習(xí)率、訓(xùn)練次數(shù)、正則化率、神經(jīng)網(wǎng)絡(luò)隱藏層單元數(shù)目作為優(yōu)化對象，初始化IWOA算法．
步驟3：計(jì)算每個(gè)個(gè)體的適應(yīng)度值．以各鯨魚對應(yīng)參數(shù)構(gòu)建BiLSTM神經(jīng)網(wǎng)絡(luò)模型，通過訓(xùn)練數(shù)據(jù)進(jìn)行訓(xùn)練，測試數(shù)據(jù)進(jìn)行預(yù)測，將預(yù)測結(jié)果的平均絕對百分比誤差作為各鯨魚的適應(yīng)度值．
步驟4：根據(jù)鯨魚的適應(yīng)度值確定全局最優(yōu)位置和局部最優(yōu)位置．
步驟5：根據(jù)WOA算法式更新A和C．
步驟6：根據(jù)WOA算法的對鯨魚的位置進(jìn)行更新；
步驟7：判斷終止條件．若滿足終止條件，則輸出最優(yōu)解；否則，返回步驟3．
步驟8：用最優(yōu)參數(shù)構(gòu)建BiLSTM神經(jīng)網(wǎng)絡(luò)模型并進(jìn)行預(yù)測．

程序設(shè)計(jì)

• 完整程序私信博主。

%% 搭建BiLSTM模型
inputSize = 1;
numHiddenUnits = 100;
layers = [ ...sequenceInputLayer(inputSize)bilstmLayer(numHiddenUnits,'OutputMode','last')bilstmLayer(numHiddenUnits-30)bilstmLayer(numHiddenUnits-60)fullyConnectedLayer(1)regressionLayer]options = trainingOptions('adam',... 'InitialLearnRate',1e-3,...% 學(xué)習(xí)率'MiniBatchSize', 8, ...'MaxEpochs',50, ...'Plots','training-progress');[net1,info1] = trainNetwork(TF,output_train',layers,options);

參考資料

[1] Mirjalili S，Lewis A． The whale optimization algorithm［J］． Advancesin Engineering Software，2016，95( 5) : 51-67．
[2] https://blog.csdn.net/article/details/126086399?spm=1001.2014.3001.5501