Adaboost集成学习 | Matlab实现基于CNN-LSTM-Adaboost集成学习时间序列预测(股票价格预测)

目录

    • 效果一览
    • 基本介绍
    • 模型设计
    • 程序设计
    • 参考资料

效果一览

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

基本介绍

Adaboost集成学习 | Matlab实现基于CNN-LSTM-Adaboost集成学习时间序列预测(股票价格预测)

模型设计

融合Adaboost的CNN-LSTM模型的时间序列预测,下面是一个基本的框架。

数据准备:
收集并整理用于时间序列预测的数据集。确保数据集包含时间序列的输入特征和对应的目标变量。
划分数据集为训练集和测试集,一般按照时间顺序划分。
单个模型训练:
使用CNN-LSTM模型对时间序列数据进行预测。
Adaboost集成:
将CNN-LSTM的预测结果作为特征输入到Adaboost算法中。
将预测结果作为Adaboost的训练样本标签,并为每个样本分配一个权重。
训练Adaboost模型,通过迭代选择最佳的基分类器,并更新样本权重。
模型预测:
对测试集中的时间序列数据,使用已训练的Adaboost模型进行预测,得到最终的时间序列预测结果。
模型评估:
使用测试集对集成模型进行评估,计算预测结果与真实值之间的误差指标,如均方根误差(RMSE)或平均绝对误差(MAE)。

程序设计

  • 完整程序订阅专栏Adaboost集成学习后获取。
%%  清空环境变量
warning off             % 关闭报警信息
close all               % 关闭开启的图窗
clear                   % 清空变量
clc  %% 导入数据
data =  readmatrix('Price.xlsx');
[h1,l1]=data_process(data,6);   %步长为6,采用前6个时刻预测第7个时刻
res = [h1,l1];
num_samples = size(res,1);   %样本个数% 训练集和测试集划分
outdim = 1;                                  % 最后一列为输出
num_size = 0.7;                              % 训练集占数据集比例
num_train_s = round(num_size * num_samples); % 训练集样本个数
f_ = size(res, 2) - outdim;                  % 输入特征维度P_train = res(1: num_train_s, 1: f_)';
T_train = res(1: num_train_s, f_ + 1: end)';
M = size(P_train, 2);P_test = res(num_train_s + 1: end, 1: f_)';
T_test = res(num_train_s + 1: end, f_ + 1: end)';
N = size(P_test, 2);layers0 = [ ...% 输入特征sequenceInputLayer([numFeatures,1,1],'name','input')   %输入层设置sequenceFoldingLayer('name','fold')         %使用序列折叠层对图像序列的时间步长进行独立的卷积运算。% CNN特征提取convolution2dLayer([3,1],16,'Stride',[1,1],'name','conv1')  %添加卷积层,64,1表示过滤器大小,10过滤器个数,Stride是垂直和水平过滤的步长batchNormalizationLayer('name','batchnorm1')  % BN层,用于加速训练过程,防止梯度消失或梯度爆炸reluLayer('name','relu1')       % ReLU激活层,用于保持输出的非线性性及修正梯度的问题% 池化层maxPooling2dLayer([2,1],'Stride',2,'Padding','same','name','maxpool')   % 第一层池化层,包括3x3大小的池化窗口,步长为1,same填充方式% 展开层sequenceUnfoldingLayer('name','unfold')       %独立的卷积运行结束后,要将序列恢复%平滑层flattenLayer('name','flatten')lstmLayer(25,'Outputmode','last','name','hidden1') dropoutLayer(0.1,'name','dropout_1')        % Dropout层,以概率为0.2丢弃输入%% Set the hyper parameters for unet training
options0 = trainingOptions('adam', ...                 % 优化算法Adam'MaxEpochs', 100, ...                            % 最大训练次数'GradientThreshold', 1, ...                       % 梯度阈值'InitialLearnRate', 0.01, ...         % 初始学习率'LearnRateSchedule', 'piecewise', ...             % 学习率调整'LearnRateDropPeriod',70, ...                   % 训练100次后开始调整学习率'LearnRateDropFactor',0.01, ...                    % 学习率调整因子'L2Regularization', 0.001, ...         % 正则化参数'ExecutionEnvironment', 'cpu',...                 % 训练环境'Verbose', 1, ...                                 % 关闭优化过程'Plots', 'none');                    % 画出曲线%% Adaboost增强学习部分
%  权重初始化%% 
D = ones(1, M) / M;%%  参数设置
K = 5;                       % 弱回归器个数%%  弱回归器回归
for i = 1 : Ki%%  创建模型clear netnet = trainNetwork(trainD,targetD',lgraph0,options0);result1 = predict(net, trainD); result2 =  predict(net, testD); %  数据格式转换E_sim1 = double(result1);% cell2mat将cell元胞数组转换为普通数组E_sim2 = double(result2);%%  仿真预测t_sim1(i, :) = E_sim1';t_sim2(i, :) = E_sim2';%%  数据反归一化
T_sim1 = mapminmax('reverse', T_sim1, ps_output);
T_sim2 = mapminmax('reverse', T_sim2, ps_output);
T_sim1 = double(T_sim1);
T_sim2 = double(T_sim2);%%  计算各项误差参数  %% 
% 指标计算
disp('…………CNN-LSTM-Adaboost训练集误差指标…………')
[test_MAE1,test_MAPE1,test_MSE1,test_RMSE1,test_R2_1,test_RPD1] = calc_error(T_train,T_sim1);
fprintf('\n')
disp('…………CNN-LSTM-Adaboost测试集误差指标…………')
[test_MAE2,test_MAPE2,test_MSE2,test_RMSE2,test_R2_2,test_RPD2]  = calc_error(T_test,T_sim2);
fprintf('\n')%%  训练集绘图 %% 
figure
plot(1:M,T_train,'r-','LineWidth',1,'MarkerSize',2)
hold on
plot(1:M,T_sim1,'b-','LineWidth',1,'MarkerSize',3)legend('真实值','CNN-LSTM-Adaboost预测值')
xlabel('预测样本')
ylabel('预测结果')
string={'训练集预测结果对比';['(R^2 =' num2str(test_R2_1) ' RMSE= ' num2str(test_RMSE1) ' MSE= ' num2str(test_MSE1)  ')'];[ '(MAE= ' num2str(test_MAE1) ' MAPE= ' num2str(test_MAPE1) ' RPD= ' num2str(test_RPD1) ')' ]};
title(string)%测试集误差图  %% 
figure
plot(T_test-T_sim2,'b-','LineWidth',0.1,'MarkerSize',2)
xlabel('测试集样本编号')
ylabel('预测误差')
title('测试集预测误差')
grid on;
legend('CNN-LSTM-Adaboost预测输出误差')

训练结束: 已完成最大轮数。
…………CNN-LSTM-Adaboost训练集误差指标…………
1.均方差(MSE):5.0615
2.根均方差(RMSE):2.2498
3.平均绝对误差(MAE):1.7773
4.平均相对百分误差(MAPE):3.0813%
5.R2:98.1767%
6.剩余预测残差RPD:7.4167

…………CNN-LSTM-Adaboost测试集误差指标…………
1.均方差(MSE):60.8207
2.根均方差(RMSE):7.7988
3.平均绝对误差(MAE):6.601
4.平均相对百分误差(MAPE):6.2778%
5.R2:46.9453%
6.剩余预测残差RPD:2.3064

参考资料

[1] https://hmlhml.blog.csdn.net/article/details/135536086?spm=1001.2014.3001.5502
[2] https://hmlhml.blog.csdn.net/article/details/137166860?spm=1001.2014.3001.5502
[3] https://hmlhml.blog.csdn.net/article/details/132372151

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/diannao/27098.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

编程软件怎么给机器人编程:深入探索编程与机器人技术的融合

编程软件怎么给机器人编程:深入探索编程与机器人技术的融合 随着科技的飞速发展,机器人技术已经深入到我们生活的方方面面。而要让机器人按照我们的意愿执行任务,就需要借助编程软件对机器人进行编程。那么,编程软件究竟是如何给…

在vue和uniapp中使用 websocket并封装js

vue中 websocket.js import store from /store import { Message } from element-ui var ws; var tt; var lockReconnect false;//避免重复连接 var clientId localStorage.getItem("clientId")//缓存中取出客户端idvar websocket {Init: function (url, clien…

HTML 区块

HTML 区块 HTML(超文本标记语言)是构建网页的标准语言,它定义了网页的结构和内容。在HTML中,区块元素是用来组织页面内容的重要工具。这些元素通常用于创建如段落、列表、头部、底部、导航栏等较大的内容块。本文将详细介绍HTML中…

JavaScript 错误解析与最佳实践:隐式返回对象字面量的正确写法

在JavaScript开发中,箭头函数(Arrow Functions)因其简洁的语法和灵活的功能而广受欢迎。然而,在使用箭头函数返回对象字面量时,开发者常常会遇到一些语法错误。本文将通过一个常见的错误示例,详细解析其原因…

网络安全攻防演练:提升应急响应能力

网络安全攻防演练:提升应急响应能力 在网络攻击日益频繁和复杂的今天,网络安全攻防演练成为提升组织应急响应能力的重要手段。通过模拟真实攻击场景,攻防演练能够帮助组织检验和提高其网络安全防护和应急处理能力。 一、网络安全攻防演练的…

探索微软Edge:新时代的浏览器先锋

随着互联网的快速发展,浏览器在我们日常生活中扮演着越来越重要的角色。微软Edge作为一款现代化的浏览器,以其独特的功能和优越的性能吸引了大量用户。本文将深入探索微软Edge,揭示其亮点和优势,帮助你更好地了解和使用这款浏览器…

【Tomcat】日志相关设置

Tomcat的日志文件设置涉及到多个方面,包括日志文件的存放位置、日志类型、日志级别以及日志的滚动和分割等。以下是一个清晰的Tomcat日志文件设置指南,参考了上述文章中的信息: 1. 日志文件存放位置 Tomcat的日志文件通常存放在Tomcat安装目…

前端必看的2024 年 7 个 Web 前端开发趋势【文末福利=网盘分享2024web前端技术资料,学习资源】

目录 前言 趋势一:新的样式解决方案和组件库将持续涌现 趋势二:利用 AI 来增强开发流程 趋势三:SSR 和 SSG 两种框架之间的竞争将会愈演愈烈 趋势四:前端、后端和全栈开发之间的界限将越来越模糊 趋势五:越来越多的人…

Python数据库编程指南:连接与操作SQLite与MySQL

目录 一、引言 二、SQLite数据库连接与操作 (一)安装SQLite库 (二)建立数据库连接 (三)执行SQL语句 (四)注意事项 三、MySQL数据库连接与操作 (一)安…

阿里云 Ubuntu 22.04.4 LTS 安装postfix+dovecot 搭建邮件服务器

一 安装 1安装postfix sudo apt-get install postfix #如果没有弹出配置界面,运行 dpkg-reconfigure postfix #sudo vim /etc/postfix/main.cf smtpd_banner $myhostname ESMTP $mail_name (Ubuntu) biff no append_dot_mydomain no readme_directory no co…

Leetcode.2786 访问数组中的位置使分数最大

题目链接 Leetcode.2786 访问数组中的位置使分数最大 rating : 1732 题目描述 给你一个下标从 0 0 0 开始的整数数组 n u m s nums nums 和一个正整数 x x x 。 你 一开始 在数组的位置 0 0 0 处,你可以按照下述规则访问数组中的其他位置: 如果你…

阿里云 OpenSearch RAG 应用实践

2024年5月18日,阿里巴巴 OpenSearch 研发负责人刑少敏应邀参与AICon全球人工智能开发与应用大会暨大模型应用生态展,分享《OpenSearch RAG 应用实践》,介绍了阿里云OpenSearch在RAG方面的应用和探索。以下是主题演讲的逐字稿分享:…

Python学习之旅:你的大学计算机专业宝藏路线图

在信息时代的浪潮中,Python以其强大的功能和极简的语法成为了无数程序员心中的白月光。作为大学计算机专业的学生,掌握Python不仅能够为未来的职业生涯铺路,更能让您在学术研究和实际应用中如鱼得水。今天,我将与大家分享一套实用…

【SQL边干边学系列】08高级问题-4

文章目录 前言回顾高级问题48.客户分组49.客户分组-修复null50.使用百分比的客户分组51.灵活的客户分组 答案48.客户分组49.客户分组-修复null50.使用百分比的客户分组51.灵活的客户分组 未完待续 前言 该系列教程,将会从实际问题出发,边干边学&#xff…

LORA: LOW-RANK ADAPTATION OF LARGE LANGUAGE MODELS

文章汇总 总体来看像是一种带权重的残差,但解决的如何高效问题的事情。 相比模型的全微调,作者提出固定预训练模型参数不变,在原本权重矩阵旁路添加低秩矩阵的乘积作为可训练参数,用以模拟参数的变化量。 模型架构 h W 0 x △…

游戏开发求职面试宝典:如何做好面试准备

面试的时候,你是否也遇到or担心会面临如下的问题: “哎,今天的面试又没有拿到offer”。 ”面试了好多回了,还是没有好的offer,算了随便找个工作先干着吧”。 “今年的市场行情真不行啊,早知道就不离职了”。 …… 出现以上的情况&#x…

趣谈网络协议

趣谈网络协议 原文链接:https://time.geekbang.org/column/intro/100020901?tabcatalog 第3讲 | ifconfig:最熟悉又陌生的命令行如何理解 ip addr ?如果理解32位IP地址的5个分类?如何理解A,B,C三类地址的最大主机数和…

Mybatis和Hibernate的作用区别及底层原理分析

目录 Mybatis的作用及底层原理 Hibernate的作用及底层原理 Mybatis与Hibernate的主要区别 Mybatis和Hibernate都是Java应用程序中常用的ORM(Object-Relational Mapping,对象关系映射)框架,它们的主要作用是简化数据库访问层的开…

XXE漏洞详解:从基础到防御

引言 在网络安全领域,XXE(XML External Entity)漏洞是一种常见的安全风险,它允许攻击者通过XML文档读取服务器上的文件,甚至执行远程服务器请求。本文将深入探讨XXE漏洞的基本概念、攻击手段以及如何有效防御。 XXE漏…

31、shell循环

一、循环 循环:循环是一种重复执行一段代码的结构。只要满足循环的条件,会一直执行这个代码。 循环条件:在一定范围之内,按照指定的次数来执行循环。 循环体:在指定的次数内,执行的命令序列。只要条件满…