時序預(yù)測 | MATLAB實(shí)現(xiàn)PSO-KELM粒子群算法優(yōu)化核極限學(xué)習(xí)機(jī)時間序列預(yù)測（含KELM、ELM等對比）

預(yù)測效果

基本介紹

MATLAB實(shí)現(xiàn)PSO-KELM粒子群算法優(yōu)化核極限學(xué)習(xí)機(jī)時間序列預(yù)測（含KELM、ELM等對比）（完整源碼和數(shù)據(jù)）

模型介紹

PSO-KELM，常用于時間序列預(yù)測任務(wù)。
PSO是一種基于群體智能的優(yōu)化算法，它模擬了鳥群覓食的行為。在PSO中，每個個體被稱為粒子，代表了解空間中的一個候選解。粒子通過在解空間中搜索來尋找最優(yōu)解，同時根據(jù)個體最優(yōu)和全局最優(yōu)的信息進(jìn)行調(diào)整和更新。PSO算法通過迭代更新粒子的位置和速度來逐步優(yōu)化解的質(zhì)量。
PSO-KELM的時間序列預(yù)測步驟如下：
準(zhǔn)備時間序列數(shù)據(jù)集，將其劃分為訓(xùn)練集和測試集。
初始化PSO算法的粒子群，并隨機(jī)初始化粒子的位置和速度。
對于每個粒子，使用KELM算法，其中隱藏層的連接權(quán)重和偏置通過PSO進(jìn)行優(yōu)化。
根據(jù)訓(xùn)練得到的模型，對測試集進(jìn)行預(yù)測。
評估預(yù)測結(jié)果的準(zhǔn)確性。
根據(jù)預(yù)測準(zhǔn)確性和PSO的優(yōu)化目標(biāo)，更新粒子的速度和位置。
重復(fù)步驟3至步驟6，直到達(dá)到預(yù)定的迭代次數(shù)或滿足停止準(zhǔn)則。
根據(jù)最優(yōu)的粒子位置得到最終的連接權(quán)重和偏置，用于進(jìn)行時間序列的預(yù)測。
需要注意的是，PSO-KELM算法的性能和結(jié)果可能會受到參數(shù)設(shè)置的影響，例如粒子數(shù)、迭代次數(shù)、網(wǎng)絡(luò)的隱藏層節(jié)點(diǎn)數(shù)等。因此，在實(shí)際應(yīng)用中需要根據(jù)具體問題進(jìn)行調(diào)優(yōu)和參數(shù)選擇。

程序設(shè)計

• 完整程序和數(shù)據(jù)下載地址方式：私信博主回復(fù)MATLAB實(shí)現(xiàn)PSO-KELM粒子群算法優(yōu)化核極限學(xué)習(xí)機(jī)時間序列預(yù)測（含KELM、ELM等對比。

%% 各算法對比
clc;clear;close all
%%

Positions = initialization(SearchAgents_no, dim, ub, lb);

%%  用于記錄迭代曲線
Convergence_curve = zeros(1, Max_iteration);
%%  循環(huán)計數(shù)器
iter = 0;

%%  優(yōu)化算法主循環(huán)
while iter < Max_iteration           % 對迭代次數(shù)循環(huán)
    for i = 1 : size(Positions, 1)   % 遍歷

        Flag4ub = Positions(i, :) > ub;
        Flag4lb = Positions(i, :) < lb;

        % 若的位置在最大值和最小值之間，則位置不需要調(diào)整，若超出最大值，最回到最大值邊界
        % 若超出最小值，最回答最小值邊界
        Positions(i, :) = (Positions(i, :) .* (~(Flag4ub + Flag4lb))) + ub .* Flag4ub + lb .* Flag4lb;   

        % 計算適應(yīng)度函數(shù)值
%         Positions(i, 2) = round(Positions(i, 2));
%         fitness = fical(Positions(i, :));
          fitness = fobj(Positions(i, :));
        % 更新 Alpha, Beta, Delta
        if fitness < Alpha_score           % 如果目標(biāo)函數(shù)值小

        if fitness > Alpha_score && fitness > Beta_score && 
            Delta_score = fitness;                                                 % 則將Delta的目標(biāo)函數(shù)值更新為最優(yōu)目標(biāo)函數(shù)值
            Delta_pos = Positions(i, :);                                           % 同時更新Delta的位置
        end

    end

    % 線性權(quán)重遞減
    wa = 2 - iter * ((2) / Max_iteration);    

    % 更新搜索群的位置
    for i = 1 : size(Positions, 1)      % 遍歷每個
        for j = 1 : size(Positions, 2)  % 遍歷每個維度

            % 包圍獵物，位置更新
            r1 = rand; % r1 is a random number in [0,1]
            r2 = rand; % r2 is a random number in [0,1]

            A1 = 2 * wa * r1 - wa;   % 計算系數(shù)A，Equation (3.3)
            C1 = 2 * r2;             % 計算系數(shù)C，Equation (3.4)

            % Alpha 位置更新
            D_alpha = abs(C1 * Alpha_pos(j) - Positions(i, j));   % Equation (3.5)-part 1
            X1 = Alpha_pos(j) - A1 * D_alpha;                     % Equation (3.6)-part 1

            r1 = rand; % r1 is a random number in [0,1]
            r2 = rand; % r2 is a random number in [0,1]

            A2 = 2 * wa * r1 - wa;   % 計算系數(shù)A，Equation (3.3)
            C2 = 2 *r2;              % 計算系數(shù)C，Equation (3.4)

            % Beta 位置更新
            D_beta = abs(C2 * Beta_pos(j) - Positions(i, j));    % Equation (3.5)-part 2
            X2 = Beta_pos(j) - A2 * D_beta;                      % Equation (3.6)-part 2       

            r1 = rand;  % r1 is a random number in [0,1]
            r2 = rand;  % r2 is a random number in [0,1]

            A3 = 2 *wa * r1 - wa;     % 計算系數(shù)A，Equation (3.3)
            C3 = 2 *r2;               % 計算系數(shù)C，Equation (3.4)

            % Delta 位置更新
            D_delta = abs(C3 * Delta_pos(j) - Positions(i, j));   % Equation (3.5)-part 3
            X3 = Delta_pos(j) - A3 * D_delta;                     % Equation (3.5)-part 3

            % 位置更新
            Positions(i, j) = (X1 + X2 + X3) / 3;                 % Equation (3.7)

        end
    end

    % 更新迭代器
    iter = iter + 1;    
    Convergence_curve(iter) = Alpha_score;
   curve(iter)=sum(Convergence_curve)/iter;
    disp(['第',num2str(iter),'次迭代'])
    disp(['current iteration is: ',num2str(iter), ', best fitness is: ', num2str(Alpha_score)]);
end

%%  記錄最佳參數(shù)
% best_lr = Alpha_pos(1, 1);
% best_hd = Alpha_pos(1, 2);
% best_l2 = Alpha_pos(1, 3);
end
function result(true_value,predict_value,type)
disp(type)
rmse=sqrt(mean((true_value-predict_value).^2));
disp(['根均方差(RMSE)：',num2str(rmse)])
mae=mean(abs(true_value-predict_value));
disp(['平均絕對誤差（MAE）：',num2str(mae)])
mape=mean(abs((true_value-predict_value)./true_value));
disp(['平均相對百分誤差（MAPE）：',num2str(mape*100),'%'])
r2 = R2(predict_value, true_value);
disp(['R平方?jīng)Q定系數(shù)（MAPE）：',num2str(r2)])
nse = NSE(predict_value, true_value);
disp(['納什系數(shù)（NSE）：',num2str(nse)])

fprintf('\n')

參考資料

[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文章來源地址http://www.zghlxwxcb.cn/news/detail-676229.html

致謝

• 大家的支持是我寫作的動力!
• 感謝大家訂閱，記得備注！

到了這里，關(guān)于時序預(yù)測 | MATLAB實(shí)現(xiàn)PSO-KELM粒子群算法優(yōu)化核極限學(xué)習(xí)機(jī)時間序列預(yù)測（含KELM、ELM等對比）的文章就介紹完了。如果您還想了解更多內(nèi)容，請在右上角搜索TOY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章，希望大家以后多多支持TOY模板網(wǎng)！