|
|
clc; clear; close all;%% -------------- 1.初始化变量 ------ ----------opt.Delays = 1:30;%数据滞后30%opt.dataPreprocessMode为数据预处理，'None'代表无处理，'Data Standardization'代表标准化处理，%'Data Normalization'代表归一化处理opt.dataPreprocessMode = 'Data Standardization'; %三种数据处理方式 'None' 'Data Standardization' 'Data Normalization'opt.learningMethod = 'LSTM';%选择LSTM作为训练模型opt.trPercentage = 0.80; % 将数据划分为测试和训练数据集，0.8代表训练集比例 %----2.通用深度学习参数（LSTM和CNN通用参数） opt.maxEpochs = 50; %400 % 深度学习算法中最大训练次数。opt.miniBatchSize = 32; % 深度学习算法中的样本最小批处理数量大小。opt.executionEnvironment = 'cpu'; % 运行环境 'cpu' 'gpu' 'auto'opt.LR = 'adam'; %LSTM学习函数 'sgdm' 'rmsprop' 'adam'opt.trainingProgress = 'none'; %是否运行训练图 'training-progress' 'none'% ------------- 3.BILSTM参数opt.isUseBiLSTMLayer = true; % 如果为true，则为双向 LSTM，如果为false，则转为单向LSTMopt.isUseDropoutLayer = true; % dropout 层避免过拟合opt.DropoutValue = 0.5; % dropout 层概率为0.5% ------------ 4.优化参数opt.optimVars = [ optimizableVariable('NumOfLayer',[1 4],'Type','integer') %优化LSTM隐含层层数(1-4) ，层数数据类型为整数 optimizableVariable('NumOfUnits',[50 200],'Type','integer')%优化LSTM隐含层神经元(50-200) ，数据类型为整数 optimizableVariable('isUseBiLSTMLayer',[1 2],'Type','integer')%优化LSTM结构，1代表LSTM，2代表Bilstm， ，数据类型为整数 optimizableVariable('InitialLearnRate',[1e-2 1],'Transform','log')%优化LSTM初始学习率(0.01-1) ，数据类型为浮点型 optimizableVariable('L2Regularization',[1e-10 1e-2],'Transform','log')];%优化LSTM正则化L2系数(1e-10-1e-2) ，数据类型为浮点型opt.isUseOptimizer = true;%是否选择贝叶斯优化 opt.MaxOptimizationTime = 14*20;%优化运行的最大时间14*60*60opt.MaxItrationNumber = 10;%优化运行的最大迭代次数60opt.isDispOptimizationLog = true;%是否展示优化过程日志opt.isSaveOptimizedValue = false; % 是否将所有优化输出保存在 mat 文件中opt.isSaveBestOptimizedValue = true; % 是否将最佳优化输出保存为 mat 文件%----------------------------------------分割线--------------------------------------------------------
运行完以上代码，可生成opt结构数据
PS:导入的数据必须是一列数据！！
代码获取链接请关注本人后私聊，有偿，介意者忽略！
%----------------------------------------分割线--------------------------------------------------------
%% --------------- 5.加载数据
data = loadData(opt); %导入数据，案例数据为一列数据 ，A2:A145共 144个数据。
if ~data.isDataRead %表示如果数据已经被打开了，那么不会重复导入数据
return;
end
运行代码得出界面
原始数据序列图
标准化预处理
其中CompleteData为完整数据table格式，包含你的excel数据的表头，即seriesdataHeder中的'International'，seriesdata为时间序列数据，x为seriesdata数据预处理后的数据。
loadData.m
%% ---------------------------- 加载数据调用函数 ---------------------------
function data = loadData(opt)
[chosenfile,chosendirectory] = uigetfile({'*.xlsx';'*.csv'},...%uigetfile函数如果打开了文件，则返回1，如果取消，则返回0
'Select Excel time series Data sets','data.xlsx');% 选择数据，chosenfile为文件名，chosendirectory为文件所在文件夹路径
filePath = [chosendirectory chosenfile];%filePath为该文件的路径
if filePath ~= 0 % 表示如果数据被打开
data.DataFileName = chosenfile;%创建data结构数据，包含文件名
data.CompleteData = readtable(filePath);%创建data结构数据，包含文件路径
if size(data.CompleteData,2)>1 %判断是否是一列数据
warning('输入数据应该是一个excel文件且只有一列!');
disp('Operation Failed... '); pause(.9);
disp('Reloading data. '); pause(.9);
data.x = [];% x数据空白
data.isDataRead = false;%数据不可阅读
return;
end
data.seriesdataHeder = data.CompleteData.Properties.VariableNames(1,:);%创建data结构数据，包含数据表头标题
data.seriesdata = table2array(data.CompleteData(:,:));%%创建data结构数据，包含mat格式的序列数据
disp('Input data successfully read.');%输出 输入数据成功读取
data.isDataRead = true;%数据读取成功
data.seriesdata = PreInput(data.seriesdata);%PreInput调用函数，表示如果数据是cell形式，会将cell转化为数值形式
figure('Name','InputData','NumberTitle','off');%绘图 ，时间序列数据绘图， 且标题包含均值和标准值结果
plot(data.seriesdata); grid minor;
title({['Mean = ' num2str(mean(data.seriesdata)) ', STD = ' num2str(std(data.seriesdata)) ];});
if strcmpi(opt.dataPreprocessMode,'None') %判断数据处理形式，此处为无预处理
data.x = data.seriesdata;
elseif strcmpi(opt.dataPreprocessMode,'Data Normalization') %判断数据处理形式，此处为归一化预处理
data.x = DataNormalization(data.seriesdata);
figure('Name','NormilizedInputData','NumberTitle','off');
plot(data.x); grid minor;
title({['Mean = ' num2str(mean(data.x)) ', STD = ' num2str(std(data.x)) ];});
elseif strcmpi(opt.dataPreprocessMode,'Data Standardization') %判断数据处理形式，此处为标准化预处理
data.x = DataStandardization(data.seriesdata);
figure('Name','NormilizedInputData','NumberTitle','off');
plot(data.x); grid minor;
title({['Mean = ' num2str(mean(data.x)) ', STD = ' num2str(std(data.x)) ];});
end
else
warning(['为了训练网络,请加载数据。' ... %此处表示数据没有读取，会进行相关提示。
'输入数据应该是一个excel文件且只有一个列!']);
disp('操作取消.');
data.isDataRead = false;
end
end%% --------------- 6.数据样本处理 [opt,data] = PrepareData(opt,data);
%代码运行后，会得到样本数据处理结果，前30个数据预测后1个数据 ，输入特征为30，输出特征为1，且训练：测试=8:2
- data = 包含以下字段的 struct:
- DataFileName: 'InternationalAirlinePassengers.xlsx'
- CompleteData: [144×1 table]
- seriesdataHeder: {'International'}
- seriesdata: [144×1 double]
- isDataRead: 1
- x: [144×1 double]
- X: [30×114 double]
- Y: [1×114 double]
- XTr: {91×1 cell} %样本训练集输入
- YTr: [91×1 double]%样本训练集输出
- XTs: {23×1 cell} %样本测试集输入
- YTs: [23×1 double]%样本测试集输出
- XVl: {23×1 cell}
- YVl: [23×1 double]
X为样本输入，Y为样本输出。
PrepareData.m
% --------------- 数据准备 ---
function [opt,data] = PrepareData(opt,data)
% 数据滞后构建时间序列数据
data = CreateTimeSeriesData(opt,data); %根据滑动窗口数值即滞后数，将一列数据，转化为样本输入和样本输出
%将数据划分为测试和训练数据
data = dataPartitioning(opt,data); %建立训练集、测试集样本
% LSTM数据形式
data = LSTMInput(data);%数据类型处理， 如输入数据为cell形式，每个cell单元格包含训练样本数量的30*1个数据
end
%% --------------- 7.使用贝叶斯优化找到最佳 LSTM 参数
[opt,data] = OptimizeLSTM(opt,data);
10次迭代中，误差最小对应的LSTM结构及参数
- 运行过程__________________________________________________________
- 优化完成。
- 达到 MaxObjectiveEvaluations 10。
- 函数计算总次数: 10
- 总历时: 82.0708 秒。
- 总目标函数计算时间: 65.0795
- 观测到的最佳可行点:
- NumOfLayer NumOfUnits isUseBiLSTMLayer InitialLearnRate L2Regularization
- __________ __________ ________________ __________________ ____________________
- 2 65 1 0.0165185146872761 1.73848840686278e-05
- 观测到的目标函数值 = 0.092506
- 估计的目标函数值 = 0.094029
- 函数计算时间 = 3.2681
- 估计的最佳可行点(根据模型):
- NumOfLayer NumOfUnits isUseBiLSTMLayer InitialLearnRate L2Regularization
- __________ __________ ________________ __________________ ____________________
- 2 65 1 0.0165185146872761 1.73848840686278e-05
- 估计的目标函数值 = 0.094029
- 估计的函数计算时间 = 4.1336
% - - - - -贝叶斯优化运行Hyperparameters LSTM网络参数
function [opt,data] = OptimizeLSTM(opt,data)
if opt.isDispOptimizationLog %如果展示过程运行日志，则isLog为2，不展示则为0
isLog = 2;
else
isLog = 0;
end
if opt.isUseOptimizer%如果运用贝叶斯优化
opt.ObjFcn = ObjFcn(opt,data);%目标函数构建（目标函数较为复杂，包含预设几层LSTM结构，是否是Bilstm结构等，不过多介绍）
BayesObject = bayesopt(opt.ObjFcn,opt.optimVars, ...
'MaxTime',opt.MaxOptimizationTime, ... %运行最长时间
'IsObjectiveDeterministic',false, ...%目标动态变化
'MaxObjectiveEvaluations',opt.MaxItrationNumber,...%最大迭代次数
'Verbose',isLog,...%运行日志
'UseParallel',false);%并行运算
end
endObjFcn.m部分关键代码
% --------------- 训练网络
try
data.BiLSTM.Net = trainNetwork(data.XTr,data.YTr,opt.layers,opt.opts); %如果网络建立没问题，则运行成功
disp('LSTM Netwwork successfully trained.');
data.IsNetTrainSuccess =true;
catch me
disp('Error on Training LSTM Network');
data.IsNetTrainSuccess = false;
return;
end
close(findall(groot,'Tag','NNET_CNN_TRAININGPLOT_UIFIGURE'))
predict(data.BiLSTM.Net,data.XVl,'MiniBatchSize',opt.miniBatchSize);%将建立好的网络结构，输入验证数据，进行预测
valError = mse(predict(data.BiLSTM.Net,data.XVl,'MiniBatchSize',opt.miniBatchSize)-data.YVl);
%误差为预测测试集输出数据与实际测试集输出数据的均方根误差
Net = data.BiLSTM.Net;
Opts = opt.opts;
fieldName = ['ValidationError' strrep(num2str(valError),'.','_')];%每次迭代会将对应的结构和参数进行保存为mat格式，并以误差数值进行命名
if ismember('OptimizedParams',evalin('base','who'))
OptimizedParams = evalin('base', 'OptimizedParams');
OptimizedParams.(fieldName).Net = Net;
OptimizedParams.(fieldName).Opts = Opts;
assignin('base','OptimizedParams',OptimizedParams);
else
OptimizedParams.(fieldName).Net = Net;
OptimizedParams.(fieldName).Opts = Opts;
assignin('base','OptimizedParams',OptimizedParams);
end
fileName = num2str(valError) + ".mat";
if opt.isSaveOptimizedValue
save(fileName,'Net','valError','Opts')
end
cons = [];
end
%% --------------- 8.评估结果
[opt,data] = EvaluationData(opt,data);
R2训练集拟合效果
训练集拟合误差
训练集拟合误差直方图
训练集线性拟合效果
测试集预测结果
测试集误差
测试集误差直方图
测试集线性拟合效果
总数据拟合效果
总数据拟合误差
总数据误差直方图
总数据线性拟合效果 |
本帖子中包含更多资源
您需要 登录 才可以下载或查看，没有账号？立即注册
×
|
窥视卡
雷达卡
发表于 2022-10-7 07:41
提升卡
置顶卡
沉默卡
喧嚣卡
变色卡
千斤顶
显身卡