【价格预测】基于matlab灰狼优化算法优化门控循环单元GWO-GRU价格预测【含Matlab源码 2565期】

💥💥💥💥💥💥💞💞💞💞💞💞💞💞欢迎来到海神之光博客之家💞💞💞💞💞💞💞💞💥💥💥💥💥💥

✅博主简介：热爱科研的Matlab仿真开发者，修心和技术同步精进；
🍎个人主页：海神之光
🏆代码获取方式：
海神之光Matlab王者学习之路—代码获取方式
（1）完整代码，已上传资源；需要的，在博主主页搜期号直接付费下载或者订阅本专栏赠送此代码，代码获取，私信博主。
（2）代码包运行，运行有问题的话，可咨询博主。
（3）可提供运行操作视频！适合小白！

⛳️座右铭：行百里者，半于九十。
更多Matlab智能算法神经网络预测与分类仿真内容点击👇
①Matlab神经网络预测与分类 （进阶版）
②付费专栏Matlab智能算法神经网络预测与分类（中级版）
③付费专栏Matlab智能算法神经网络预测与分类（初级版）

⛳️关注优快云海神之光，更多资源等你来！！

⛄一、 简介

1 GRU算法**
将经过卷积之后产生的特征序列作为GRU的输入。GRU由LSTM发展而来，LSTM是RNN的变体。RNN网络通过对输入信号的循环保证了信号的持续存在。LSTM是由RNN网络改进而来，在RNN的基础上加入了记忆单元和门机制，有效地解决了长序列训练中存在的梯度消失和梯度爆炸问题。

LSTM用输入门、遗忘门和输出门3个门函数来控制输入值、遗忘值和输出值。GRU网络较LSTM网络有所简化，GRU网络由新门和重置门两个门函数构成，其结构如图1所示。

图1 GRU的网络结构图
zt为更新门，用来决定上一层隐藏层状态中有多少信息传递到当前的隐藏状态ht中，经过sigmoid函数将结果映射到0～1之间，即：

rt为重置门，决定上一时刻隐藏层状态有多少信息需要被遗忘，经过sigmoid函数将结果映射到0～1之间，越接近1信息越容易被保留，即：

确定当前的记忆内容，将重置门rt与ht–1进行Hadamard乘积决定当前的记忆内容中要遗忘多少上一时刻的隐藏层的内容，然后与新的输入数据结合放入tanh激活函数中，即：

最后确定当前隐藏层保留的信息，通过zt和1–zt确定哪些历史数据和当前数据需要更新，即：

2 GWO算法
GWO算法是Mirjalil等人2014年提出的一种新型群智能优化算法, 该算法通过模拟自然界中灰狼的狩猎跟踪、追捕、包围和攻击等建立一个数学模型, 进而完成最优化工作。整个狼群按照适应度值被分为最优灰狼α、次优灰狼β、第三优灰狼β和其他狼ω四个等级。在捕食过程中α、β、δ灰狼追捕猎物, ω狼追随前三者进向着目标搜索。捕食过程中, 灰狼个体与猎物的距离为:

公式中t表示迭代次数;Xp (t) 是猎物的位置, X (t) 表示第t代时灰狼的位置, D表示猎物与灰狼之间的距离, C=2r1。
灰狼位置更新为:

其中, a是收敛因子, 取值[0, 2], max是最大迭代次数;r2和r2均是[0, 1]的随机数:当|A|>1时, 灰狼群体将搜索范围扩大, 进行全局搜索;|A|<1时, 灰狼群体将包围圈缩小, 进行局部搜索。

在狼群中, 利用α、β、δ这三头狼的位置跟踪猎物的数学描述如下:

式 (12) 和式 (13) 定义了狼群内ω与α、β、δ的距离关系。

式 (13) 根据α、β、δ的位置计算ω狼的最终位置。

⛄二、部分源代码

% 清空环境变量
warning off % 关闭报警信息
clear all % 清空变量
clc % 清空命令行
% close all % 关闭开启的图窗

%% 导入数据
% 训练集——190个样本
% P_train = xlsread(‘data1’,‘training set’,‘B2：G191’)‘;
% T_train= xlsread(‘data1’,‘training set’,‘H2：H191’)’;
% % 测试集——44个样本
% P_test=xlsread(‘data1’,‘test set’,‘B2:G45’)‘;
% T_test=xlsread(‘data1’,‘test set’,‘H2:H45’)’;
data=xlsread(‘数据.xlsx’,‘Sheet1’,‘A1:A252’); %%使用xlsread函数读取EXCEL中对应范围的数据即可
n=10;
[input,output]=data_process(data’,n);%前n个时刻 预测下一个时刻
N=length(output); %全部样本数目
testNum=15; %设定测试样本数目
trainNum=N-testNum; %计算训练样本数目

%% 划分训练集、测试集
P_train = input(1:trainNum,:)‘;
T_train =output(1:trainNum)’;
P_test =input(trainNum+1:trainNum+testNum,:)‘;
T_test =output(trainNum+1:trainNum+testNum)’;

shuru_num = size(P_train ,1); % 输入维度
shuchu_num=1;
N = size(P_test, 2); % 测试集样本数
M = size(P_train, 2); % 训练集样本数

%% 数据归一化
[p_train, ps_input] = mapminmax(P_train, 0, 1);
p_test = mapminmax(‘apply’, P_test, ps_input);

[t_train, ps_output] = mapminmax(T_train, 0, 1);
t_test = mapminmax(‘apply’, T_test, ps_output);

%% 优化算法
pop = 20; %种群数量
Max_iter = 20; %最大迭代次数
lb = [10 0.001] ; %下边界
ub = [200 0.015]; %上边界
dim = 2; %维度
fobj=@(X)fobj(X,p_train,t_train,p_test,t_test,shuru_num,shuchu_num );
[ Best_score, Best_P,curve] = GWO(pop, Max_iter, lb, ub, dim, fobj);

%% 重新训练
disp([‘最佳光滑因子值为’,num2str(Best_P)])
Best_P(1)=round(Best_P(1));
layers = [ …
sequenceInputLayer(shuru_num)
gruLayer(Best_P(1))
fullyConnectedLayer(shuchu_num)
regressionLayer];
options = trainingOptions(‘adam’, … % 梯度下降
‘MaxEpochs’,50, … % 最大迭代次数
‘GradientThreshold’,1, … % 梯度阈值
‘InitialLearnRate’,Best_P(2));
net = trainNetwork(p_train,t_train,layers,options);
%% 预测
net = resetState(net);% 网络的更新状态可能对分类产生了负面影响。重置网络状态并再次预测序列。
% [~,t_sim1]= predictAndUpdateState(net,p_train);%% 采用最佳方法建立GRU网络
[~,t_sim1]= predictAndUpdateState(net,p_train); %训练集预测
[net,t_sim2]= predictAndUpdateState(net,p_test); %测试集预测

%% 数据反归一化
T_sim1 = mapminmax(‘reverse’, t_sim1, ps_output);
T_sim2 = mapminmax(‘reverse’, t_sim2, ps_output);

%% 均方根误差
error1 = sqrt(sum((T_sim1 - T_train).^2) ./ M);
error2 = sqrt(sum((T_sim2 - T_test ).^2) ./ N);

%% 适应度曲线
figure
plot(1 : length(curve), curve,‘r-’, ‘LineWidth’, 1.5);
title(‘GWO-GRU’, ‘FontSize’, 13);
xlabel(‘迭代次数’, ‘FontSize’, 10);
ylabel(‘适应度值’, ‘FontSize’, 10);
grid off

%% 绘图
figure
plot(1: M, T_train, ‘r-^’, ‘LineWidth’, 1,‘MarkerFaceColor’, ‘r’,‘MarkerSize’, 4);
hold on
plot(1: M, T_sim1, ‘b-o’, ‘LineWidth’, 1,‘MarkerFaceColor’, ‘b’,‘MarkerSize’, 4);
legend(‘真实值’,‘预测值’)
xlabel(‘预测样本’)
ylabel(‘预测结果’)
string = {‘GWO-GRU训练集预测结果对比’; [‘RMSE=’ num2str(error1)]};
title(string)
xlim([1, M])
grid off

figure
plot(1: N, T_test, ‘r-^’, ‘LineWidth’, 1,‘MarkerFaceColor’, ‘r’,‘MarkerSize’, 4);
hold on
plot(1: N, T_sim2, ‘b-o’, ‘LineWidth’, 1,‘MarkerFaceColor’, ‘b’,‘MarkerSize’, 4);
legend(‘真实值’,‘预测值’)
xlabel(‘预测样本’)
ylabel(‘预测结果’)
string = {‘GWO-GRU测试集预测结果对比’;[‘RMSE=’ num2str(error2)]};
title(string)
xlim([1, N])
grid off

%% 误差图
figure
[AX,H1,H2]=plotyy(1:N,(T_sim2-T_test),1:N,(T_sim2-T_test)./T_test,‘plot’)%plot函数图像
set(AX(1),‘XColor’,‘k’,‘YColor’,‘b’);%设置左边y轴
set(AX(2),‘XColor’,‘k’,‘Ycolor’,‘r’);%设置右边y轴
xlabel(‘测试集样本编号’); %设置右边y轴
HH1=get(AX(1),‘Ylabel’);
set(HH1,‘String’,‘绝对误差’);%设置左边y坐标轴标题
set(HH1,‘color’,‘b’);%设置左边y坐标轴图样颜色为‘b’，蓝色
HH2=get(AX(2),‘Ylabel’);
set(HH2,‘String’,‘相对误差’);%设置右边y坐标轴标题
set(HH2,‘color’,‘r’);%设置右边y坐标轴图样颜色为‘r’红色
set(H1,‘LineStyle’,‘-’,‘marker’,‘o’, ‘LineWidth’, 1,‘MarkerFaceColor’, ‘b’,‘MarkerSize’, 4);%设置函数y1的线形状
set(H1,‘color’,‘b’);%设置函数y1的线颜色
set(H2,‘LineStyle’,‘:’,‘marker’,‘^’, ‘LineWidth’, 1,‘MarkerFaceColor’, ‘r’,‘MarkerSize’, 4);%设置函数y2的线形状
set(H2,‘color’,‘r’);%设置函数y2的线颜色
set(gca, ‘FontSize’, 10);

⛄三、运行结果

⛄四、matlab版本及参考文献

1 matlab版本
2014a

2 参考文献
[1]李祚敏,秦江涛.基于WOA-GRU的销售预测研究[J].软件导刊. 2020,19(09)

3 备注
简介此部分摘自互联网，仅供参考，若侵权，联系删除

🍅 仿真咨询
1 各类智能优化算法改进及应用
生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化

2 机器学习和深度学习方面
卷积神经网络（CNN）、LSTM、支持向量机（SVM）、最小二乘支持向量机（LSSVM）、极限学习机（ELM）、核极限学习机（KELM）、BP、RBF、宽度学习、DBN、RF、RBF、DELM、XGBOOST、TCN实现风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断

3 图像处理方面
图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知

4 路径规划方面
旅行商问题（TSP）、车辆路径问题（VRP、MVRP、CVRP、VRPTW等）、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、车辆协同无人机路径规划、天线线性阵列分布优化、车间布局优化

5 无人机应用方面
无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配

6 无线传感器定位及布局方面
传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化

7 信号处理方面
信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化

8 电力系统方面
微电网优化、无功优化、配电网重构、储能配置

9 元胞自动机方面
交通流 人群疏散 病毒扩散 晶体生长

10 雷达方面
卡尔曼滤波跟踪、航迹关联、航迹融合