【LSSVM时间序列预测】麻雀算法优化最小二乘支持向量机SSA-LSSVM时序预测未来数据【含Matlab源码 2479期】

⛄一、运行结果

✅博主简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，Matlab项目合作可私信。
🍎个人主页：海神之光
🏆代码获取方式：
海神之光Matlab王者学习之路—代码获取方式
⛳️座右铭：行百里者，半于九十。

更多Matlab仿真内容点击👇
Matlab图像处理（进阶版）
路径规划（Matlab）
神经网络预测与分类（Matlab）
优化求解（Matlab）
语音处理（Matlab）
信号处理（Matlab）
车间调度（Matlab）

⛄二、麻雀算法优化LSSVM简介

1 标准麻雀算法
算法运算过程由探索者、追随者与预警者3部分构成，其中探索者与追随者的总数量与比例不变，根据适应度数值的改变，两者可以相互转化。通过觅食和反捕食行为来不断更新种群成员最优位置。

设种群数量为n,在第K次迭代中，探索者的位置更新方式如下：

追随者的位置更新方式如下：

预警者在种群中的比例在10%～20%,位置更新方式如下：

2 最小二乘支持向量机(LSSVM)原理
传统SVM模型中约束条件为不等式，而LSSVM将SVM 中的约束条件改为等式约束，把误差平方和作为经验损失，将求解凸二次规划的问题转换为了通过求解线性方程组[13,14],降低了求解难度，优化了整体运算速度。

设定训练集{xi,yi}ni=1,其中xi∈Rd为输入变量，yi为第i个输出，yi∈R,通过非线性函数φ(·)将输入的n维空间映射到对应的高维特征空间，因此LSSVM的回归估计函数为：
f(x)=ωTφ(x)+b (1)
式中：ω=[ω1,ω2,…,ωn]T表示超平面权值系数向量；b为偏置量。
LSSVM定义优化问题目标函数J及其约束条件为：

为求解上述优化问题，构造相应的拉格朗日函数，进行如下变换：

对式(3)中ω、b、e、α的分别求偏导，令导数为0,消除ω和ei,可得到线性方程组：

最终得到LSSVM回归函数：

本文中采用径向基(radial basis function, RBF)核函数，与其他核函数相比，RBF核函数能够实现非线性映射，且需计算的参数较少，其表达式为：

式中：σ为核函数参数。

3 麻雀算法优化LSSVM流程图
建立预测模型的具体流程如图4所示，算法步骤如下。

1. 辅助变量选择及预处理，并利用PCA进行降维。
2. 初始化相关参数，利用改进的麻雀优化算法对LSSVM中的关键参数进行优化。
3. 初始化种群，利用式(11),引入Logistic映射，提升初始种群分布均匀性。
4. 根据目标函数计算适应度值并排序。利用引入自适应权重公式(12)更新探索者位置。
5. 利用式(8)及(9)更新追随者及警戒者位置。
6. 判断是否停止，执行退出或继续循环。
7. 输出正则化参数与RBF核函数参数，LSSVM利用最优超参数进行数据预测。
   

⛄三、部分源代码

%% 清空环境变量
warning off % 关闭报警信息
close all % 关闭开启的图窗
clear % 清空变量
clc % 清空命令行

%% 导入数据（时间序列的单列数据）
result = xlsread(‘数据集.xlsx’);

%% 数据分析
num_samples = length(result); % 样本个数
kim = 12; % 延时步长（kim个历史数据作为自变量）
zim = 1; % 预测未来多少数据（跨zim个时间点进行预测）
ST = 100; % 递归预测未来多少数据，100是预测100个数据

%% 划分数据集
for i = 1: num_samples - kim - zim + 1
res(i, 😃 = [reshape(result(i: i + kim - 1), 1, kim), result(i + kim + zim - 1)];
end

%% 数据集分析
outdim = 1; % 最后一列为输出
num_size = 0.7; % 训练集占数据集比例
num_train_s = round(num_size * num_samples); % 训练集样本个数
f_ = size(res, 2) - outdim; % 输入特征维度

%% 划分训练集和测试集
P_train = res(1: num_train_s, 1: f_)‘;
T_train = res(1: num_train_s, f_ + 1: end)’;
M = size(P_train, 2);

P_test = res(num_train_s + 1: end, 1: f_)‘;
T_test = res(num_train_s + 1: end, f_ + 1: end)’;
N = size(P_test, 2);

%% 数据归一化
[p_train, ps_input] = mapminmax(P_train, 0, 1);
p_test = mapminmax(‘apply’, P_test, ps_input);

[t_train, ps_output] = mapminmax(T_train, 0, 1);
t_test = mapminmax(‘apply’, T_test, ps_output);

%% 转置以适应模型
p_train = p_train’; p_test = p_test’;
t_train = t_train’; t_test = t_test’;

%% 参数设置
pop = 5; % 种群数目
Max_iter = 50; % 迭代次数
dim = 2; % 优化参数个数
lb = [10, 10]; % 下限
ub = [1000, 1000]; % 上限

%% 优化函数
fobj = @(x)fitnessfunclssvm(x, p_train, t_train);

%% 优化
[Best_pos, Best_score, curve] = SSA(pop, Max_iter, lb, ub, dim, fobj);
type = ‘f’;
kernel = ‘RBF_kernel’;
proprecess = ‘preprocess’;
gam = Best_pos(1);
sig = Best_pos(2);
model = initlssvm(p_train, t_train, type, gam, sig, kernel, proprecess);
model = trainlssvm(model);

%% 模型预测
t_sim1 = simlssvm(model, p_train);
t_sim2 = simlssvm(model, p_test);

%% 数据反归一化
T_sim1 = mapminmax(‘reverse’, t_sim1, ps_output);
T_sim2 = mapminmax(‘reverse’, t_sim2, ps_output);

%% 均方根误差
error1 = sqrt(sum((T_sim1’ - T_train).^2) ./ M);
error2 = sqrt(sum((T_sim2’ - T_test ).^2) ./ N);

%% 优化曲线
figure
plot(curve, ‘linewidth’, 1.5);
title(‘Iterative curve’)
xlabel(‘The number of iterations’)
ylabel(‘Fitness’)
grid on;

⛄四、matlab版本及参考文献

1 matlab版本
2014a

2 参考文献
[1]仝卫国,郭超宇,赵如意.基于改进麻雀算法优化LSSVM的再循环箱浆液密度预测模型[J].电子测量技术. 2022,45(01)

3 备注
简介此部分摘自互联网，仅供参考，若侵权，联系删除

🍅 仿真咨询
1 各类智能优化算法改进及应用
生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化

2 机器学习和深度学习方面
卷积神经网络（CNN）、LSTM、支持向量机（SVM）、最小二乘支持向量机（LSSVM）、极限学习机（ELM）、核极限学习机（KELM）、BP、RBF、宽度学习、DBN、RF、RBF、DELM、XGBOOST、TCN实现风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断

3 图像处理方面
图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知

4 路径规划方面
旅行商问题（TSP）、车辆路径问题（VRP、MVRP、CVRP、VRPTW等）、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、车辆协同无人机路径规划、天线线性阵列分布优化、车间布局优化

5 无人机应用方面
无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配

6 无线传感器定位及布局方面
传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化

7 信号处理方面
信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化

8 电力系统方面
微电网优化、无功优化、配电网重构、储能配置

9 元胞自动机方面
交通流 人群疏散 病毒扩散 晶体生长

10 雷达方面
卡尔曼滤波跟踪、航迹关联、航迹融合