当前位置：首页 > news >正文

基于GA - Elman回归的时序预测：新手友好的Matlab实战

news 2026/5/12 11:33:02

GA-Elman回归基于遗传算法(GA)-简单递归神经网络(Elman)的数据回归预测(可更换为单变量和多变量时序预测，前私)，Matlab代码，可直接运行，适合小白新手无需更改代码替换数据集即可运行数据格式为excel 前GA可更换为SSA,CPO,NRBO,TTAO,GWO,WOA,RIME等需要其他内容均可定制 1、运行环境要求MATLAB版本为2019b及其以上 2、评价指标包括:R2、MAE、MSE、RMSE等，图很多，符合您的需要 3、代码中文注释清晰，质量极高 4、测试数据集，可以直接运行源程序替换你的数据即可用适合新手小白 5、保证源程序运行，

在数据分析与预测领域，基于遗传算法（GA）优化的简单递归神经网络（Elman）是一种非常有效的工具，无论是单变量还是多变量时序预测都能发挥出色。今天就来给小白新手们详细讲讲如何使用Matlab进行GA - Elman回归预测，代码可直接运行，轻松上手！

运行环境要求

本次实战要求MATLAB版本为2019b及其以上，确保你已经安装了对应版本。

评价指标

我们将使用常见的评价指标来衡量预测效果，包括：

R2：决定系数，衡量回归模型对观测数据的拟合优度，取值范围在0到1之间，越接近1表示拟合效果越好。
MAE：平均绝对误差，反映预测值与真实值之间平均误差的大小。
MSE：均方误差，计算预测值与真实值误差的平方和的均值，对较大的误差给予更大的权重。
RMSE：均方根误差，是MSE的平方根，同样衡量预测值与真实值之间的误差，与MAE相比，RMSE对较大的误差更加敏感。

Matlab代码实现

下面是核心代码及分析，代码中文注释清晰，质量极高，适合新手。

数据读取

% 读取excel数据 data = readtable('your_data.xlsx'); % 将表格数据转换为数值矩阵 data = table2array(data);

这里使用readtable函数读取excel数据，table2array函数将表格数据转换为数值矩阵，方便后续处理。

数据划分

% 划分训练集和测试集 trainRatio = 0.7; trainSize = floor(trainRatio * size(data, 1)); trainData = data(1:trainSize, :); testData = data(trainSize + 1:end, :);

trainRatio定义了训练集所占的比例，这里设置为70%。通过floor函数计算训练集的大小，从而划分出训练集和测试集。

Elman神经网络构建

% 创建Elman神经网络 hiddenLayerSize = 10; net = elmannet(hiddenLayerSize);

这里创建了一个Elman神经网络，hiddenLayerSize设置为10，即隐藏层神经元个数为10。elmannet函数是Matlab中构建Elman神经网络的便捷函数。

遗传算法优化Elman神经网络

% 遗传算法参数设置 options = gaoptimset('Generations', 100, 'PopulationSize', 50); % 使用遗传算法优化神经网络权重 [bestWeights, ~] = ga(@(w) trainElmanWithWeights(w, trainData), numel(net.IW{1,1}) + numel(net.LW{2,1}) + numel(net.b{1}) + numel(net.b{2}), [], [], [], [], [], [], [], options);

gaoptimset设置遗传算法的参数，这里设置最大进化代数为100，种群大小为50。ga函数通过优化目标函数trainElmanWithWeights来寻找最优的神经网络权重。

训练与预测

% 设置优化后的权重 net.IW{1,1} = reshape(bestWeights(1:numel(net.IW{1,1})), size(net.IW{1,1})); net.LW{2,1} = reshape(bestWeights(numel(net.IW{1,1}) + 1:numel(net.IW{1,1}) + numel(net.LW{2,1})), size(net.LW{2,1})); net.b{1} = reshape(bestWeights(numel(net.IW{1,1}) + numel(net.LW{2,1}) + 1:numel(net.IW{1,1}) + numel(net.LW{2,1}) + numel(net.b{1})), size(net.b{1})); net.b{2} = reshape(bestWeights(numel(net.IW{1,1}) + numel(net.LW{2,1}) + numel(net.b{1}) + 1:end), size(net.b{2})); % 训练网络 net = train(net, trainData(:, 1:end - 1)', trainData(:, end)'); % 预测 trainPred = net(trainData(:, 1:end - 1)'); testPred = net(testData(:, 1:end - 1)');

将遗传算法得到的最优权重重新设置到Elman神经网络中，然后进行训练和预测，分别得到训练集和测试集的预测结果。

评价指标计算

% 计算评价指标 trainR2 = 1 - sum((trainData(:, end)' - trainPred).^2) / sum((trainData(:, end)' - mean(trainData(:, end))).^2); testR2 = 1 - sum((testData(:, end)' - testPred).^2) / sum((testData(:, end)' - mean(testData(:, end))).^2); trainMAE = mean(abs(trainData(:, end)' - trainPred)); testMAE = mean(abs(testData(:, end)' - testPred)); trainMSE = mean((trainData(:, end)' - trainPred).^2); testMSE = mean((testData(:, end)' - testPred).^2); trainRMSE = sqrt(trainMSE); testRMSE = sqrt(testMSE);

按照公式分别计算训练集和测试集的R2、MAE、MSE和RMSE评价指标。