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

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：