SCI算法！发文首选！参数优化下的BiLSTM-KAN模型回归预测，Python代码

python算法小当家

已于 2024-07-28 16:21:57 修改

阅读量618

点赞数 7

文章标签：算法回归 python

于 2024-07-28 16:21:43 首次发布

本文链接：https://blog.csdn.net/m0_61878377/article/details/140752296

版权

声明：文章是从本人公众号中复制而来，因此，想最新最快了解各类算法的家人，可关注我的VX公众号：python算法小当家，不定期会有很多免费代码分享~

KAN是2024年最新的算法，是近期非常热门的一个模型。当前对该算法的应用是非常少的，因此该算法是我们写论文的最佳选择。

同时，为进一步加强创新，小当家推出LVY-BiLSTM-KAN。其中，常青藤优化算法（IVY）是元启发式算法领域的最新研究，出版日期2024年7月8日。快来尝尝鲜，早用早发文！！！

代码及参考文献获取见文末

输入数据

输入数据为共享单车数据集，部分数据如下所示。格式为多输入单输出，如果要替换成自己的数据也是非常方便的，把数据复制到示例数据表格中，最后一列为输出即可。

实验展示

首先通过标准化特征和目标数据，并将其转换为三维输入格式，然后将数据划分为训练集和测试集，以便于后续模型训练和评估。

# 标准化数据
scaler_X = StandardScaler()
X_scaled = scaler_X.fit_transform(X)
scaler_y = StandardScaler()
y_scaled = scaler_y.fit_transform(y.values.reshape(-1, 1))
# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X_scaled, y_scaled, test_size=0.2, random_state=42)

然后设置：

# 是否进行参数优化 (yes/no)
choice = 'yes'

该收敛图展示了使用常青藤优化算法（LVY）对BiLSTM-KAN模型进行参数优化的效果。从图中可以看到，最优适应度值在初始几次迭代中迅速下降，显示出算法在初期具有快找到较优解的能力。最终，从第30次迭代起，算法已基本收敛，找到了相对最优的参数组合。

下面几张图显示了使用LVY-BiLSTM-KAN模型进行预测的结果。第一张图展示了模型预测值与真实值的对比，显示出两者高度吻合；第二张图中，预测值与真实值接近于对角线y=x，进一步验证了模型的准确性；第三张图则是误差的直方图，显示误差主要集中在零附近，平均误差为3.40，表明模型的预测误差较小，精度较高。