時序預測 | MATLAB實作貝葉斯優化CNN-GRU時間序列預測(股票價格預測)

MATLAB實作貝葉斯優化CNN-GRU時間序列預測(股票價格預測)

目錄

• • MATLAB實作貝葉斯優化CNN-GRU時間序列預測(股票價格預測)
  • • 效果一覽
    • 基本介紹
    • 模型搭建
    • 程式設計
    • 學習總結
    • 往期精彩
    • 參考資料

效果一覽

基本介紹

MATLAB實作貝葉斯優化CNN-GRU(卷積門控循環單元)時間序列預測，Bayes-CNN-GRU模型/BO-CNN-GRU模型股票價格預測

模型搭建

• CNN 是通過模仿生物視覺感覺機制建構而成，能夠進行有監督學習和無監督學習。隐含層的卷積核參數共享以及層間連接配接的稀疏性使得CNN 能夠以較小的計算量從高維資料中提取深層次局部特征，并通過卷積層和池化層獲得有效的表示。CNN 網絡的結構包含兩個卷積層和一個展平操作，每個卷積層包含一個卷積操作和一個池化操作。第二次池化操作後，再利用全連接配接層将高維資料展平為一維資料，進而更加友善的對資料進行處理。

  

• 當時間步數較大時，RNN 的曆史梯度資訊無法一直維持在一個合理的範圍内，是以梯度衰減或爆炸幾乎是不可避免的，進而導緻RNN 将很難從長距離序列中捕捉到有效資訊。LSTM 作為一種特殊的RNN，它的提出很好的解決了RNN 中梯度消失的問題。而GRU 則是在LSTM 的基礎上提出的，其結構更簡單，參數更少，訓練時間短，訓練速度也比LSTM更快。

  

• 為使模型具有自動提取特征的功能，一般采用深度學習的方法來進行建構。其中，CNN 在提取特征這方面能力較強，它通常依靠卷積核來對特征進行提取。但是，卷積核的存在又限制了CNN 在處理時間序列資料時的長期依賴性問題。
• 在這項研究中，GRU 的引入可以有效地解決這個問題，并且我們可以捕獲時間序列前後的依賴關系。另一方面， GRU 子產品的目的是捕獲長期依賴關系，它可以通過存儲單元長時間學習曆史資料中的有用資訊，無用的資訊将被遺忘門遺忘。另外，直接用原始特征進行處理，會極大的占用模型的算力，進而降低模型的預測精度，CNN-GRU模型結合了CNN和GRU的優點。
• 通常，在模型訓練過程中需要對超參數進行優化，為模型選擇一組最優的超參數，以提高預測的性能和有效性。 憑經驗設定超參數會使最終确定的模型超參數組合不一定是最優的，這會影響模型網絡的拟合程度及其對測試資料的泛化能力。
• 僞代碼

  

• 在對 CNN-GRU使用貝葉斯優化時，不同的參數組合的 CNN-GRU作為自變量，平均誤差(MAE)作為貝葉斯架構的輸出y。BO（貝葉斯） 算法的優點是收斂速度快、性能好、可擴充性強、适用于超參數尋優問題，特别是在特征為非參數的情況下。
• 通過調整優化算法調整模型參數，學習重複率和貝葉斯優化超參數來調整模型參數。

程式設計

• 完整程式私信部落客。

%% 可視化
% 預測結果顯示
figure
plot(Date,data);
hold on
idx = size(YPred,2);
plot(Date(end)-idx+1:Date(end), YPred,'.-');
xlabel("Date")
ylabel("price (units)")
title("Forecast")
legend(["實際值" "預測值"],'Location',"best")
title('貝葉斯優化CNN-GRU時間序列預測')
set(gca,'FontSize',12,'FontName','華為中宋','FontWeight','bold');
set(gca, 'Box', 'on', 'LineWidth', 1.1, 'Layer', 'top',...
    'XMinorTick', 'on', 'YMinorTick', 'on', 'XGrid', 'on', 'YGrid', 'on', ...
    'TickDir', 'in', 'TickLength', [.015 .015],...
    'FontName', 'avantgarde', 'FontSize', 12, 'FontWeight', 'normal');axis tight

% 局部顯示
figure
plot(Date(end)-idx+1:Date(end),YTest,'r.-','LineWidth',1.5)
hold on
plot(Date(end)-idx+1:Date(end),YPred,'b*-','LineWidth',1.5);
legend(["實際值" "預測值"],'Location',"best")
xlabel("Date")
ylabel("price (units)")
title("貝葉斯優化CNN-GRU時間序列預測 sMAPE = " + sMAPErr)
set(gca,'FontSize',12,'FontName','華為中宋','FontWeight','bold');
set(gca, 'Box', 'on', 'LineWidth', 1, 'Layer', 'top',...
    'XMinorTick', 'on', 'YMinorTick', 'on', 'XGrid', 'on', 'YGrid', 'on', ...
    'TickDir', 'out', 'TickLength', [.015 .015],...
    'FontName', 'avantgarde', 'FontSize', 12, 'FontWeight', 'normal');
           

學習總結

提出了貝葉斯優化CNN-GRU 模型，在理論上分析了其工作原理以及優勢所在，驗證了此方法的有效性。在保留了RNN 在時間序列預測中記憶能力強的優點的基礎上，加入了CNN 網絡用于提取深層次特征，能更好的挖掘特征之間的聯系，進一步提高預測精度。再通過貝葉斯優化确定網絡模型超參數，使CNN-GRU 的整體性能達到最優。

往期精彩

時序預測 | MATLAB實作貝葉斯優化CNN-LSTM時間序列預測(股票價格預測)

時序預測 | MATLAB實作貝葉斯優化CNN-BiLSTM時間序列預測(股票價格預測)

時序預測 | MATLAB實作CNN-BiLSTM(卷積雙向長短期記憶神經網絡)時間序列預測

參考資料

[1] https://blog.csdn.net/kjm13182345320/article/details/127601808?spm=1001.2014.3001.5502

[2] https://blog.csdn.net/kjm13182345320/article/details/127525606?spm=1001.2014.3001.5502