基于双向门控循环单元BIGRU的Adaboost回归预测，BIGRU-Adaboost回归预测，多输入单输出模型。评价指标包括:R2、MAE、MSE、RMSE和MAPE等，代码质量极高，方便学习和

 

%%  清空环境变量
clc;
clear all;
close all
tic

%%  导入数据
% 训练集——190个样本
P_train = xlsread('data','training set','B2：G191')';
T_train= xlsread('data','training set','H2：H191')';
% 测试集——44个样本
P_test=xlsread('data','test set','B2:G45')';
T_test=xlsread('data','test set','H2:H45')';

N = size(P_test, 2);          % 测试集样本数
M = size(P_train, 2);         % 训练集样本数
f_ = size(P_train, 1); 
outdim = 1;
%%  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);

%%  数据平铺
%   将数据平铺成1维数据只是一种处理方式
%   也可以平铺成2维数据，以及3维数据，需要修改对应模型结构
%   但是应该始终和输入层数据结构保持一致
P_train =  double(reshape(P_train, f_, 1, 1, M));
P_test  =  double(reshape(P_test , f_, 1, 1, N));

t_train = t_train';
t_test  = t_test' ;

%%  数据格式转换
for i = 1 : M
    p_train{i, 1} = P_train(:, :, 1, i);
end

for i = 1 : N
    p_test{i, 1}  = P_test( :, :, 1, i);
end

%%  权重初始化
D = ones(1, M) / M;

%%  参数设置
K = 10;                       % 弱回归器个数
H =  6;                       % 隐藏层节点个数

%%  创建模型
layers = [
    sequenceInputLayer(f_)              % 建立输入层
    

智能算法及其模型预测