基于灰狼算法优化极限学习机(GWO-ELM)的时间序列预测, matlab代码。模型评价指标包括:R2、MAE、MSE、RMSE和MAPE等，代码质量极高，方便学习和替换数据。

 

clc;
clear all;
close all
addpath pathA
tic

%%  导入数据
f = xlsread('windspeed.xls','Sheet1','B2:B1001');
[x,y]=data_process(f,12);   %步长为12

n=size(x,1);
m=round(n*0.7);        %前70%训练，对最后30%进行预测
P_train=x(1:m,:)';
P_test=x(m+1:end,:)';
T_train=y(1:m,:)';
T_test=y(m+1:end,:)';

N = size(P_test, 2);          % 测试集样本数
M = size(P_train, 2);         % 训练集样本数
%%  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);

%%  初始隐层神经元个数
hiddennum=40;
inputnum=size(p_train,1);       % 输入层神经元个数
outputnum=size(t_train,1);      % 输出层神经元个数
w1num=inputnum*hiddennum; % 输入层到隐层的权值个数
w2num=outputnum*hiddennum;% 隐层到输出层的权值个数
dim=w1num+hiddennum+w2num+outputnum; %待优化的变量的个数

%%  参数设置
T=50;  %%迭代次数
pop=20;  %%种群数量

智能算法及其模型预测