四种算法优化ELM，实现多变量输入超前24步预测功能，机器学习预测全家桶再更新！...

截止到本期MATLAB机器学习预测全家桶，一共发了18篇关于机器学习预测代码的文章。算上这一篇，一共19篇！参考文章如下：

1.五花八门的机器学习预测？一篇搞定不行吗？

2.机器学习预测全家桶，多步预测之BiGRU、BiLSTM、GRU、LSTM，LSSVM、TCN、CNN，光伏发电数据为例

3.机器学习预测全家桶，多步预测之组合预测模型，光伏发电数据为例

4.机器学习预测全家桶之Xgboost，交通流量数据预测为例

5.机器学习预测全家桶之CNN-RVM(相关向量机)，风电功率预测

6.水N篇论文就靠它了！Adaboost风电功率预测，机器学习预测全家桶

7.机器学习预测全家桶之单变量输入单步预测，天气温度预测为例

8.2023年冠豪猪算法优化CNN-GRU-Attention多特征输入多步预测

9.机器学习预测全家桶之单变量输入多步预测，天气温度预测为例

10.机器学习预测全家桶新增VMD-TCN-GRU/BiGRU-Attention模型

11.金豺算法优化TCN-BiGRU-Attention多特征输入单步预测

12.LSTM实现递归预测。机器学习预测全家桶，持续更新

13.12种算法优化CNN-BiLSTM-Attention多特征输入单步预测

14.新思路：TCN-RVM模型，你见过吗？机器学习预测全家桶新增模型

15.再添数十种回归模型！最全机器学习预测全家桶，MATLAB代码，这次千万别再错过了！

16.12种算法优化CNN-BiGRU-Attention单变量输入单步预测，持续更新

17.BiTCN、BiTCN-SVM、BiTCN-LSTM、BiTCN-BiGRU机器学习预测全家桶

18.机器学习预测全家桶再更新！CEEMDAN-VMD双分解CNN-BiLSTM预测，MATLAB代码

---

本期继续更新机器学习预测全家桶MATLAB代码。

本期的内容是：采用三种经典优化算法（蜣螂、麻雀、粒子群）和一种2024年最新的智能算法（鹅算法）优化极限学习机（ELM），实现多变量输入多步预测的功能，数据采用电力负荷数据。

网上关于极限学习机实现多变量输入多步预测功能的代码并不多。

一、何为多变量输入，多步预测？

以这个电力负荷数据为例进行介绍。

可以看到，该数据有多个特征，包含温度，湿度，风速，压强，降水量，能见度，水汽压，体感温度和负荷值。

既然要做预测，那就要划分训练集与测试集。接下来以每个样本的构成来解释何为“多变量输入多步预测”。

第一个样本组成为：

输入：2018年1月1日~2018年1月2日的所有数据，矩阵大小为：24*9*2，其中24是指一天有24个样本点，9是指一共有9列特征（这里把过去时间已知的负荷也作为特征，因为过去的时间，负荷是已知的），2是指1-2日一共有两天。

输出：2018年1月3日的负荷值，矩阵大小为：24*1，其中24是指3日当天有24个样本点，1是指一共有1列，也就是负荷值。

因此本程序为采用前两天的数据，预测未来一天的负荷值。

第二个样本组成为：

输入：2018年1月2日~2018年1月3日的所有数据，矩阵大小为：24*9*2，其中24是指一天有24个样本点，9是指一共有9列特征（这里把过去时间已知的负荷也作为特征，因为过去的时间，负荷是已知的），2是指2-3日一共有两天。

输出：2018年1月4日的负荷值，矩阵大小为：24*1，其中24是指4日当天有24个样本点，1是指一共有1列，也就是负荷值。

就这样组成n个样本。本次代码一共组成了30个样本。

训练集与测试集的划分为：采用前29个样本进行训练，采用第30个样本进行测试。

二、采用蜣螂、麻雀、粒子群和鹅算法优化ELM的权值阈值。并比较四种方法的优劣

结果如下：

在迭代了1000次后，鹅算法获胜！可见这个2024年提出的鹅算法效果还是不错的！这也激发了小淘对该算法的改编欲望，^_^。后期会对尽力这个鹅算法进行一个改进。

预测结果如下：

这里的MAPE指标太小了哈，都快看不见了。

最后R方能达到94%多。在真实的负荷数据下实现多步预测，并进行反归一化，这对于其他机器学习算法是不易达到的。

四种算法优化ELM，实现多变量输入多步预测MATLAB代码获取方式：

点击下方下卡片获取！