WOA-GRU多输入时序预测 | 鲸鱼优化算法-门控循环单元神经网络 | Matlab

时间:2024-03-18 14:57:45

目录

一、程序及算法内容介绍:

基本内容:

亮点与优势:

 二、实际运行效果:

 三、部分程序:

 四、完整程序下载:


一、程序及算法内容介绍:

基本内容:

  • 本代码基于Matlab平台编译,将WOA(鲸鱼群算法)与GRU(门控循环单元神经网络)结合,进行多输入数据时序预测

  • 输入训练的数据包含8个特征1个响应值,即通过8个输入值预测1个输出值(多变量时序预测,个数可自行指定)

  • 归一化训练数据,提升网络泛化性

  • 通过WOA算法优化GRU网络的学习率、神经元个数参数,记录下最优的网络参数

  • 训练GRU网络进行回归预测,实现更加精准的预测

  • 迭代计算过程中,自动显示优化进度条,实时查看程序运行进展情况

  • 自动输出多种多样的的误差评价指标,自动输出大量实验效果图片

亮点与优势:

  • 注释详细,几乎每一关键行都有注释说明,适合小白起步学习

  • 直接运行Main函数即可看到所有结果,使用便捷

  • 编程习惯良好,程序主体标准化,逻辑清晰,方便阅读代码

  • 所有数据均采用Excel格式输入,替换数据方便,适合懒人选手

  • 出图详细、丰富、美观,可直观查看运行效果

  • 附带详细的说明文档(下图),其内容包括:算法原理+使用方法说明

 二、实际运行效果:

 三、部分程序:

clc;
clear;
warning off;
%% 导入数据
Data = table2array(readtable("数据集.xlsx"));
% 本例数据集中包含:
% 1. 总共357个样本(每一行表示一个样本)
% 2. 每个样本12个特征值(即前12列每一列表示样本的一个特征,即输入的变量)
% 3. 每个样本1个响应值(第13列为表示样本的响应值,即被预测的变量)

%% 划分训练集和测试集
Temp = randperm(size(Data,1)); % 打乱数据的顺序,提升模型的泛化性。
InPut_num = 1:1:12; % 输入特征的列数,数据表格中前12列为输入值,因此设置为1:1:12,若前5个为输入则设置为1:1:5
OutPut_num = 13; % 输出响应列数,本例仅一个响应值,为数据表格中第13列,若多个响应值参照上行数据格式设置为x:1:y

% 选取前327个样本作为训练集,后30个样本作为测试集,即(1:327),和(328:end)
Train_InPut = Data(Temp(1:327),InPut_num); % 训练输入
Train_OutPut = Data(Temp(1:327),OutPut_num); % 训练输出
Test_InPut = Data(Temp(328:end),InPut_num); % 测试输入
Test_OutPut = Data(Temp(328:end),OutPut_num); % 测试输出

%% 数据归一化
% 将输入特征数据归一化到0-1之间
[~, Ps] = mapminmax([Train_InPut;Test_InPut]',0,1); 
Train_InPut = mapminmax('apply',Train_InPut',Ps);
Test_InPut = mapminmax('apply',Test_InPut',Ps);

 四、完整程序下载: