您现在的位置是：首页 >学无止境 >多维时序 | MATLAB实现BO-CNN-GRU贝叶斯优化卷积门控循环单元多变量时间序列预测网站首页学无止境

多维时序 | MATLAB实现BO-CNN-GRU贝叶斯优化卷积门控循环单元多变量时间序列预测

机器学习之心 2023-06-08 16:00:03
简介多维时序 | MATLAB实现BO-CNN-GRU贝叶斯优化卷积门控循环单元多变量时间序列预测

多维时序 | MATLAB实现BO-CNN-GRU贝叶斯优化卷积门控循环单元多变量时间序列预测

目录

效果一览

1
2
3
4
5
6
7
8
9
10
11
12

基本介绍

基于贝叶斯(bayes)优化卷积神经网络-门控循环单元(CNN-GRU)多变量时间序列预测，BO-CNN-GRU/Bayes-CNN-GRU多变量时间序列预测模型。
1.优化参数为：学习率，隐含层节点，正则化参数。
2.评价指标包括:R2、MAE、MSE、RMSE和MAPE等，方便学习和替换数据。
3.运行环境matlab2020b及以上。

模型描述

  • CNN 是通过模仿生物视觉感知机制构建而成，能够进行有监督学习和无监督学习。隐含层的卷积核参数共享以及层间连接的稀疏性使得CNN 能够以较小的计算量从高维数据中提取深层次局部特征，并通过卷积层和池化层获得有效的表示。CNN 网络的结构包含两个卷积层和一个展平操作，每个卷积层包含一个卷积操作和一个池化操作。第二次池化操作后，再利用全连接层将高维数据展平为一维数据，从而更加方便的对数据进行处理。
    10

  • 当时间步数较大时，RNN 的历史梯度信息无法一直维持在一个合理的范围内，因此梯度衰减或爆炸几乎是不可避免的，从而导致RNN 将很难从长距离序列中捕捉到有效信息。LSTM 作为一种特殊的RNN，它的提出很好的解决了RNN 中梯度消失的问题。而GRU 则是在LSTM 的基础上提出的，其结构更简单，参数更少，训练时间短，训练速度也比LSTM更快。
    11

  • 为使模型具有自动提取特征的功能，一般采用深度学习的方法来进行构建。其中，CNN 在提取特征这方面能力较强，它通常依靠卷积核来对特征进行提取。但是，卷积核的存在又限制了CNN 在处理时间序列数据时的长期依赖性问题。

  • 在这项研究中，GRU 的引入可以有效地解决这个问题，并且我们可以捕获时间序列前后的依赖关系。另一方面， GRU 模块的目的是捕获长期依赖关系，它可以通过存储单元长时间学习历史数据中的有用信息，无用的信息将被遗忘门遗忘。另外，直接用原始特征进行处理，会极大的占用模型的算力，从而降低模型的预测精度，CNN-GRU模型结合了CNN和GRU的优点。

  • 通常，在模型训练过程中需要对超参数进行优化，为模型选择一组最优的超参数，以提高预测的性能和有效性。 凭经验设置超参数会使最终确定的模型超参数组合不一定是最优的，这会影响模型网络的拟合程度及其对测试数据的泛化能力。

  • 伪代码
    9

  • 通过调整优化算法调整模型参数，学习重复率和贝叶斯优化超参数来调整模型参数。

程序设计

%%  优化算法参数设置
%参数取值上界(学习率，隐藏层节点，正则化系数)
%%  贝叶斯优化参数范围
optimVars = [
    optimizableVariable('NumOfUnits', [10, 50], 'Type', 'integer')
    optimizableVariable('InitialLearnRate', [1e-3, 1], 'Transform', 'log')
    optimizableVariable('L2Regularization', [1e-10, 1e-2], 'Transform', 'log')];

%%  贝叶斯优化网络参数
BayesObject = bayesopt(fitness, optimVars, ...    % 优化函数，和参数范围
        'MaxTime', Inf, ...                      % 优化时间（不限制） 
        'IsObjectiveDeterministic', false, ...
        'MaxObjectiveEvaluations', 10, ...       % 最大迭代次数
        'Verbose', 1, ...                        % 显示优化过程
        'UseParallel', false);

%% 创建混合CNN-GRU网络架构
%  创建"CNN-GRU"模型
    layers = [...
        % 输入特征
        sequenceInputLayer([numFeatures 1 1],'Name','input')
        sequenceFoldingLayer('Name','fold')
        % CNN特征提取
        convolution2dLayer([FiltZise 1],32,'Padding','same','WeightsInitializer','he','Name','conv','DilationFactor',1);
        batchNormalizationLayer('Name','bn')
        eluLayer('Name','elu')
        averagePooling2dLayer(1,'Stride',FiltZise,'Name','pool1')
        % 展开层
        sequenceUnfoldingLayer('Name','unfold')
        % 平滑层
        flattenLayer('Name','flatten')
        % GRU特征学习
        gruLayer(50,'Name','gru1','RecurrentWeightsInitializer','He','InputWeightsInitializer','He')
        % GRU输出
        gruLayer(NumOfUnits,'OutputMode',"last",'Name','bil4','RecurrentWeightsInitializer','He','InputWeightsInitializer','He')
        dropoutLayer(0.25,'Name','drop3')
        % 全连接层
        fullyConnectedLayer(numResponses,'Name','fc')
        regressionLayer('Name','output')    ];

    layers = layerGraph(layers);
    layers = connectLayers(layers,'fold/miniBatchSize','unfold/miniBatchSize');

参考资料

[1] https://blog.csdn.net/kjm13182345320/article/details/129036772?spm=1001.2014.3001.5502
[2] https://blog.csdn.net/kjm13182345320/article/details/128690229

风语者！平时喜欢研究各种技术，目前在从事后端开发工作，热爱生活、热爱工作。

站长推荐