做网站 做应用,免费自动回收的传奇手游,济南网站备案程序,响水做网站需要多少钱前段时间有粉丝私信想让我出一期对时间序列预测的文章#xff0c;所以今天它来了。
时间序列数据#xff0c;如股指价格#xff0c;具有波动性、非线性和突变的特点#xff0c;对于这类数据的预测往往需要可靠强健的预测模型#xff0c;而传统的机器学习算法如SVM、BP等…
前段时间有粉丝私信想让我出一期对时间序列预测的文章所以今天它来了。
时间序列数据如股指价格具有波动性、非线性和突变的特点对于这类数据的预测往往需要可靠强健的预测模型而传统的机器学习算法如SVM、BP等大都采用误差最小化或反向传播来改进预测性能大量参数调整、复杂的模型架构以及迭代时间长让这些模型逐渐落后。
而极限学习机ELM和核极限学习机KELM能够很好的克服这些问题作者在前面的文章中介绍了ELM和KELM的原理及其实现ELM具有训练速度快、复杂度低、克服了传统梯度算法的局部极小、过拟合和学习率的选择不合适等优点而KELM则利用了核学习的方法用核映射代替随机映射能够有效改善隐层神经元随机赋值带来的泛化性和稳定性下降的问题应用于非线性问题的性能更优[1]。
因此作者将用KELM和ELM结合作者前面提到的优化算法来预测股指的变化并将之与BP神经网络这类传统机器学习算法进行对比。
00目录
1 PSO-KELM模型 2代码目录 3 预测性能 4 展望 参考文献
01 PSO-KELM模型
1.1 PSO与KELM原理
PSO即粒子群优化算法KELM即核极限学习机作者在前面的文章中讲解过其具体原理文章链接如下这里不再赘述。
KELM核极限学习机原理及其实现
1.2 样本选取与预处理 以某股的开盘价作为研究样本有效数据共554个考虑用前20日的开盘价预测第21日的开盘价即以20个数据作为一个样本进行滚动预测一共可得到534个样本选取前70%的样本作为训练数据后30%作为测试数据。
原始数据间差波动范围比较大会影响模型稳定性和预测精度。因此在把开盘价数据输入之前首先需要对数据进行预处理即归一化本文对原始数据进行归一化处理将样本数据处理到区间[0, 1]之间归一化公式为
minVal为数据序列中的最小值maxval为数据序列最大值。
1.3 PSO-KELM预测模型 将PSO与KELM结合以KELM模型预测的MAE作为PSO的适应度该模型流程如下
02 代码目录
其中MY_XX_Reg.m都是可单独运行的主程序而result.m用于对比不同算法预测效果result.m可依次运行4个MY_XX_Reg.m并对其预测结果进行对比。
03 预测性能
3.1 评价指标 为了验证预测结果的准确性和精度分别采用均方根差(Root Mean Square ErrorRMSE) 、平均绝对百分误差( Mean Absolute Percentage ErrorMAPE) 和平均绝对值误差 ( Mean Absolute ErrorMAE) 作为评价标准。
式中 Yi 和Y ^ i分别为真实值和预测值; n 为样本数。 3.2 结果对比 可以看出预测模型中经PSO优化后的KELM预测模型取得了不错的效果同时也可以引入作者前面提到的各种改进算法提高PSO的寻优性能以取得更佳的效果
04 展望
在这一篇文章中作者实现了PSO-KELM对于时间序列数据的预测并对比了ELM和BP。后面作者将介绍蜣螂优化算法及其改进这也是一位粉丝朋友私信我的KAU本着有求必应的原则(能力范围内~)给安排了
以上
源码获取
可私信作者
参考文献 [1] Huang G BZhou H MDing X Jet alExtreme learning machine for regression and multiclass classification[J]IEEE Transactions on Systems Manand CyberneticsPart B (Cybernetics)201242(2)513
另如果有伙伴有待解决的优化问题各种领域都可可以发我我会选择性的更新利用优化算法解决这些问题的文章。
如果这篇文章对你有帮助或启发可以点击右下角的赞/在看(ง •̀_•́)ง(不点也行)若有定制需求可私信作者。
