回归预测 | MATLAB实现Bayes-LSTM(贝叶斯优化长短期记忆神经网络)多输入单输出
目录
回归预测 | MATLAB实现Bayes-LSTM(贝叶斯优化长短期记忆神经网络)多输入单输出基本介绍模型介绍Bayes模型LSTM模型Bayes-LSTM模型程序设计预测效果致谢基本介绍
本次运行测试环境MATLABb；
本次预测基本任务是回归，多变量输入，单变量输出；
主要研究问题不限于交通预测、负荷预测、气象预测、经济预测等。
Bayes-LSTM多变量输入单变量输出，贝叶斯优化长短期记忆神经网络，具体介绍如下。
模型介绍
Bayes模型
贝叶斯优化(Bayesian optimization,简称BO)是一种有效的解决方法.
贝叶斯优化在不同的领域也称作序贯克里金优化(sequential Kriging optimization,简称SKO)、基于模型的序贯优化(sequential model-based optimization,简称SMBO)、高效全局优化(efficient global optimization,简称EGO).
该方法是一种基于模型的序贯优化(即,在一次评估之后才进行下一次评估)方法,能够在很少的评估代价下得到一个近似最优解.贝叶斯优化已经应用于网页、游戏和材料设计、推荐系统、用户界面交互、机器人步态、导航和嵌入式学习系统、环境监控、组合优化、自动机器学习、传感器网络等领域,展示出令人瞩目的发展前景.概率模型已经成为当前人工智能、机器人学、机器学习等领域的主流方法.机器能够根据概率框架预测未来数据,并且根据预测数据给出决策.这些问题的主要难点在于观测值具有不确定性,而概率模型能够对不确定性进行建模,有效地解决观测噪声问题.Ghahramani 指出,贝叶斯优化是在概率机器学习和人工智能领域中几种最先进、最有希望的技术。贝叶斯优化框架有两个关键部分:(1) 使用概率模型代理原始评估代价高昂的复杂目标函数;(2) 利用代理模型的后验信息构造主动选择策略,即采集函数.在实际应用中,需要针对具体问题选择合适的模型.
LSTM模型
长短时记忆网络（LSTM）是循环神经网络（RNN）的进阶版，专门用来解决一般RNM 的长期依赖问题。LSTM改进的地方在于其增加了三种门和一个记忆单元，可以通过所谓“门”的精细结构向细胞状态添加或移除信息。
Bayes-LSTM模型
由于机器学习的广泛应用，许多现代机器学习算法都包含大量超参数。为有效使用这些算法，需定义适当的超参数值，但神经网络的参数大多数都是手工修改。因此，贝叶斯优化逐渐被用来微调神经网络的超参数。同时会有费时、过拟合的缺点，对此，Ｈ提出了Ｄropout的概念，减弱了神经元节点间的联合适应性，增强了泛化能力。基于贝叶斯的Ｄropout优化算法的步骤如下。
程序设计
%% 变量初始化 opt.learningMethod= 'LSTM';%% 参数定义%最大迭代次数opt.maxEpochs= 10; %批处理大小opt.miniBatchSize = 16;%执行环境： 'cpu' 'gpu' 'auto'opt.executionEnvironment = 'cpu'; %优化算法： 'sgdm' 'rmsprop' 'adam'opt.LR = 'adam'; %训练进程： 'training-progress' 'none'opt.trainingProgress= 'none'; % 优化参数设定opt.isUseOptimizer = true;opt.MaxOptimizationTime= 14*60*60;opt.MaxItrationNumber = 10;opt.isDispOptimizationLog = true;%参数保存设定opt.isSaveOptimizedValue= false; opt.isSaveBestOptimizedValue = true; % 贝叶斯数据导入data.X = inputn;data.Y = outputn;% 数据划分data.XTr = [];data.YTr = [];data.XTs = [];data.YTs = [];%% 基于贝叶斯寻找最佳LSTM参数% 超参数运行if opt.isDispOptimizationLogisLog = 2;elseisLog = 0;end
完整程序私信博主。
预测效果
Matlab实现BayesLSTM多变量回归预测
1.wata为数据集，7个输入特征，1个输出特征。
2.BayesLSTMNN.m为主程序文件，运行即可，ObjFcn为函数文件无需运行。
3.命令窗口输出MAPE和RMSE，可在下载区获取数据和程序内容。
注意程序和数据放在一个文件夹，运行环境为Matlab及以上。
