时序预测 | Matlab实现EEMD-SSA-LSTM、EEMD-LSTM、SSA-LSTM、LSTM时间序列预测对比
请尊重原创劳动成果
转载请注明本文链接
及文章作者：机器学习之心
预测效果
使用教程
1 基本介绍
1.Matlab实现EEMD-SSA-LSTM、EEMD-LSTM、SSA-LSTM、LSTM时间序列预测对比，集合经验模态分解结合麻雀算法优化长短期记忆神经网络、集合经验模态分解结合长短期记忆神经网络、麻雀算法优化长短期记忆神经网络、长短期记忆神经网络时间序列预测对比。
2.EEMD-SSA-LSTM是一种基于集合经验模态分解（EEMD）、麻雀算法（SSA）和长短期记忆神经网络（LSTM）的时间序列预测方法；
首先，使用EEMD方法对原始时间序列进行分解，得到多个固有模态函数（IMF）。然后，使用SSA算法对每个IMF进行优化，得到最优的模型参数。最后，将所有IMF的预测结果相加得到最终的预测结果。.EEMD-SSA-LSTM方法的优点是能够充分挖掘时间序列的非线性和非平稳特征，并且能够自适应地对每个IMF进行优化，提高了预测的准确性和鲁棒性，可以应用于各种时间序列预测问题，例如股票价格预测、气象数据预测、交通流量预测等。
3.运行环境Matlab2018b及以上，运行每个子文件夹的main即可。
2 网络结构
设置网络参数
%% 分解完成imf=c(2:end,:); %取出imf分量%% EEMD-SSA-LSTM预测pre_result2=[];pre_result1=[];for i=1:size(imf,1)disp(['对第',num2str(i),'个分量建模'])[x,y]=data_process(imf(i,:),step); %步长为12%归一化%% 划分数据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,:)';%% 划分训练集和测试集M = size(P_train, 2);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);%% 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,step, 1, 1, M));P_test = double(reshape(P_test ,step, 1, 1, N));t_train = t_train';t_test = t_test' ;%% 数据格式转换for j = 1 : Mp_train{j, 1} = P_train(:, :, 1, j);endfor k = 1 : Np_test{k, 1} = P_test( :, :,1, k);end%% 优化函数fobj = @(x)fical(x);%% 优化算法参数设置pop = 5; % 数量Max_iter = 10; % 最大迭代次数dim = 3; % 优化参数个数lb = [1e-5, 32, 1e-5]; % 参数取值下界(学习率，隐藏层节点，正则化系数)ub = [1e-1, 128, 1e-1]; % 参数取值上界(学习率，隐藏层节点，正则化系数)
完整代码
注意：
class
% @author : 机器学习之心
% 完整代码：https://mbd.pub/o/bread/mbd-ZZeVk5dq
% @author : 机器学习之心end
完
属实不易，如果有用请留个赞叭~
未经允许本代码请勿作商业用途！！！
