时序预测 | MATLAB实现NGO-GRU北方苍鹰算法优化门控循环单元时间序列预测

预测效果

基本介绍

MATLAB实现NGO-GRU北方苍鹰算法优化门控循环单元时间序列预测（完整源码和数据）
1.data为数据集，单变量时间序列。
2.MainNGOGRUTS.m为程序主文件，其他为函数文件无需运行。
3.命令窗口输出MAE、MSE、RMSEP、R^2、RPD和MAPE，可在下载区获取数据和程序内容。
4.北方苍鹰算法优化参数为学习率，隐藏层节点个数，正则化参数。
注意程序和数据放在一个文件夹，运行环境为Matlab2018及以上.

程序设计

• 完整程序和数据下载方式(资源处直接下载)：MATLAB实现NGO-GRU北方苍鹰算法优化门控循环单元时间序列预测

%% --------------LSTM优化----------------------
% 参数设置
SearchAgents = 5;  % 种群数量 
Max_iterations =10; % 迭代次数  lowerbound = [1e-10 0.0001 10 ];%三个参数的下限
upperbound = [1e-2 0.002 400 ];%三个参数的上限
dim = 3;%数量，即要优化的LSTM超参数个数fobj = @(x)fun(x,inputn_train,outputn_train,outputps);   %调用函数fun计算适应度函数值
%% 赋值; 
[Best_score,Best_pos,Convergence_curve]=NGO(SearchAgents,Max_iterations,lowerbound,upperbound,dim,fobj)    %% 北方苍鹰算法%得到最优参数
L2Regularization = Best_pos(1,1); % 最佳L2正则化系数
InitialLearnRate = Best_pos(1,2); % 最佳初始学习率
NumOfUnits  =abs(round( Best_pos(1,3)));   % 最佳隐藏层节点数%% ------------------利用优化参数重新训练预测----------------------------
% 数据输入x的特征维度
inputSize  = size(inputn_train,1);
% 数据输出y的维度
outputSize = size(outputn_train,1);%  设置网络结构
layers = [ ...sequenceInputLayer(inputSize)     %输入层,参数是输入特征维数Layer(NumOfUnits)        %学习层,隐含层神经元的个数dropoutLayer(0.2)                  %权重丢失率fullyConnectedLayer(outputSize)   %全连接层，也就是输出的维数regressionLayer];    %回归层,该参数说明是在进行回归问题，而不是分类问题% trainoption(lstm)
opts = trainingOptions('adam', ...      %优化算法'MaxEpochs',100, ...                %最大迭代次数'GradientThreshold',1,...           %梯度阈值,防止梯度爆炸'ExecutionEnvironment','cpu',...   %对于大型数据集合、长序列或大型网络，在 GPU 上进行预测计算通常比在 CPU 上快。其他情况下，在 CPU 上进行预测计算通常更快。'InitialLearnRate',InitialLearnRate, ...'LearnRateSchedule','piecewise', ...'LearnRateDropPeriod',120, ...'LearnRateDropFactor',0.2, ...   % 指定初始学习率 0.005，在 100 轮训练后通过乘以因子 0.2 来降低学习率。'L2Regularization', L2Regularization, ...       % 正则化参数'Verbose',false, ...         %如果将其设置为true，则有关训练进度的信息将被打印到命令窗口中。'Plots','training-progress'...   %构建曲线图,   若将'training-progress'替换为'none'，则不画出曲线);   % 'MiniBatchSize',outputSize*30, ...%% -----------------预测结果-------------------------
%  数据格式转换train_DATA=output_train';    %训练样本标签
test_DATA= output_test'; %测试样本标签

参考资料

[1] https://blog.csdn.net/article/details/126072792?spm=1001.2014.3001.5502
[2] https://blog.csdn.net/article/details/126044265?spm=1001.2014.3001.5502