基于海洋捕食者算法MPA优化LSTM的时间序列预测

0 引言

        基于LSTM进行时间序列预测方法简单有效。LSTM的出现为时间序列预测提供了一个新的研究方向。然而,与大部分网络模型一样,LSTM效果受其超参数设置的影响。为此,本文采用海洋捕食者算法MPA优化LSTM网络超参数,建立MAP-LSTM模型 ,  实例验证表明 , MPA-LSTM 模型的预测效果明显提高。

1 原理

1.1 LSTM原理

1.2 海洋捕食者算法

        海洋捕食者算法 ( Marine Predators Algorithm,MPA) 是Afshin Faramarzi 等人于 2020 年提出的一种新型元启发式优化算法,其灵感来源于海洋适者生存理论,即海洋捕食者通过在Lévy 游走或布朗游走之间选择最佳觅食策略。具有寻优能力强等特点。

MPA原理链接

 1.3 MPA优化LSTM原理

        以最小化LSTM网络的误差为适应度函数,MPA的作用就是尽量去找一组最优超参数使得网络误差最小化。本文中LSTM的主要几个超参数分别是:学习率lr,batchsize,训练次数K,两个隐含层的节点数L1和L2。
 

2 代码实现

        基于MATLAB2020b,进行模型搭建与优化。数据结构为时间序列,我们采用前n个时刻的值为输入,n+1时刻 的值为输出这样来进行滚动建模。

2.1 LSTM结果

2.2 MPA-LSTM结果

        由于是最小化网络误差,因此适应度曲线是一条下降的曲线。从图上可以看出,在第二个寻优的时候就找到了最优超参数组合。

 下图为不同超参数的变化曲线,从图中可以看出,学batchsize,两个隐含层的节点数L1和L2,训练次数K,习率lr,分别为:16,  78,73,  32,0.0044

 利用上述最优参数建立的MPA-LSTM模型结果为:

 2.3 方法对比

3 结论

        从以上分析可以看出,优化后的LSTM具有更好的精度。

 

 

  • 2
    点赞
  • 9
    收藏
    觉得还不错? 一键收藏
  • 2
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 2
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值