当前位置：首页 > news >正文

用 ZOA - BiLSTM 实现多变量时间序列超前24步回归预测

news 2026/4/2 16:12:18

ZOA-BiLSTM多变量时间序列超前24步回归预测算法、斑马优化双向长短期记忆网络的回归预测算法，MATLAB要求2020版以上。多变量特征输入，单序列变量输出，输入前一天的特征，实现后一天的预测，超前24步预测，对神经元个数，学习率进行寻优，以最小MAPE为目标函数，展示MAPE、RMSE、MAE的计算结果。适用于，风速预测，光伏功率预测，发电功率预测，出力预测，海上风电预测，碳价预测等等。斑马优化算法（Zebra Optimization Algorithm，ZOA）等人于2022年底提出的新算法，对比于灰狼GWO、鲸鱼WOA、遗传GA、粒子群PSO等算法有着更高的创新性。直接替换数据就可以使用EXCEL表格直接导入，不需要对程序大幅修改。程序内有详细注释，便于理解程序运行。

在时间序列预测领域，准确地提前预知未来趋势对于众多行业来说至关重要，今天就来和大家分享一种强大的预测算法——ZOA - BiLSTM（斑马优化双向长短期记忆网络）多变量时间序列超前24步回归预测算法。

适用场景广泛

这个算法的应用场景极为丰富，像风速预测，对于风力发电行业，准确的风速预测能提前做好发电规划，提高发电效率。光伏功率预测，可帮助光伏电站合理安排生产。还有发电功率预测、出力预测、海上风电预测以及碳价预测等等。只要涉及到多变量特征输入、单序列变量输出，并且需要根据前一天特征预测后一天情况，超前24步预测的场景，它都能大显身手。

算法核心亮点

斑马优化算法（ZOA）

ZOA 是 2022 年底新提出的算法，相较于传统的灰狼GWO、鲸鱼WOA、遗传GA、粒子群PSO等算法，创新性更高。以优化过程为例，传统算法可能在局部最优解处徘徊，而 ZOA 凭借其独特的搜索机制，更有可能跳出局部最优，找到全局最优解，从而为后续的 BiLSTM 模型提供更优的参数设置。

BiLSTM 模型

双向长短期记忆网络（BiLSTM），能够同时从正向和反向两个方向处理时间序列数据，充分利用序列中的前后文信息。比如在风速预测中，不仅能依据之前时刻风速上升的趋势，还能结合未来可能下降的信息（通过反向传播），来更精准地预测未来风速。

MATLAB 实现要求及优势

本算法基于 MATLAB 实现，要求 MATLAB 版本在 2020 版以上。MATLAB 拥有丰富的工具箱，对于处理时间序列数据以及搭建神经网络模型非常便捷。而且在数据处理和算法实现过程中，代码简洁易懂。

代码示例及分析

下面展示部分关键代码及分析：

% 导入数据，这里假设数据已整理为 EXCEL 表格形式 data = readtable('your_data.xlsx'); % 直接读取 EXCEL 表格数据，无需大幅修改程序，方便数据替换 % 提取特征变量和目标变量 features = table2array(data(:, 1:end - 1)); target = table2array(data(:, end)); % 划分训练集和测试集，这里按 80%训练，20%测试 train_size = floor(0.8 * length(target)); train_features = features(1:train_size, :); train_target = target(1:train_size); test_features = features(train_size + 1:end, :); test_target = target(train_size + 1:end); % 创建 BiLSTM 网络 numFeatures = size(train_features, 2); numHiddenUnits = 50; % 初始神经元个数，后续会寻优 layers = [... sequenceInputLayer(numFeatures) bilstmLayer(numHiddenUnits, 'OutputMode', 'last') fullyConnectedLayer(1) regressionLayer]; % 构建网络结构，sequenceInputLayer 接收序列输入，bilstmLayer 进行双向 LSTM 处理，fullyConnectedLayer 全连接，regressionLayer 回归输出 % 设置训练选项 options = trainingOptions('adam',... 'MaxEpochs', 100,... 'InitialLearnRate', 0.001,... % 初始学习率，后续会寻优 'LearnRateSchedule', 'piecewise',... 'LearnRateDropFactor', 0.1,... 'LearnRateDropPeriod', 10,... 'Plots', 'training-progress'); % 训练网络 net = trainNetwork(train_features, train_target, layers, options); % 预测 predicted = predict(net, test_features); % 计算评估指标 mape = mean(abs((test_target - predicted)./ test_target)) * 100; rmse = sqrt(mean((test_target - predicted).^2)); mae = mean(abs(test_target - predicted)); disp(['MAPE: ', num2str(mape), '%']); disp(['RMSE: ', num2str(rmse)]); disp(['MAE: ', num2str(mae)]);

寻优过程

上述代码中，神经元个数numHiddenUnits和学习率InitialLearnRate是影响模型性能的关键参数。这里以最小 MAPE 为目标函数，使用 ZOA 算法对这两个参数进行寻优。在寻优过程中，每次迭代 ZOA 算法会调整numHiddenUnits和InitialLearnRate的值，重新训练模型并计算 MAPE，直到找到使 MAPE 最小的参数组合。