基于PSO粒子群优化的分位数回归QRBILSTM网络模型的多输入单输出预测算法matlab仿真

本文提出一种基于PSO优化的QRBILSTM网络模型，用于多输入单输出预测任务。该方法通过PSO优化QRBILSTM的隐含层数和学习率，以模型训练误差作为适应度函数，经过遗传操作筛选最优超参数组合。算法在Matlab2024b环境下实现，包含完整的训练流程和预测功能，通过对比预测数据与真实数据的误差评估模型性能。

1.前言

算法通过PSO优化将QRBiLSTM的隐含层个数和学习率作为PSO的优化变量，以QRBiLSTM模型在训练集上的回归预测误差作为PSO的适应度函数，通过迭代筛选最优超参数组合，再将最优超参数代入QRBiLSTM模型完成最终的多输入单输出回归预测。

2.算法运行效果图预览

(完整程序运行后无水印)

3.算法运行软件版本

Matlab2024b(推荐)或者matlab2022b

4.部分核心程序

（完整版代码包含中文注释和操作步骤视频）

复制代码

...........................................................
%bilstm
idx    = 0;
for i = 0.05:0.1:0.95
    i   
    idx = idx+1;
    layers = [ ...
        sequenceInputLayer(Isize,'name','input')   %输入层设置
        bilstmLayer(Hnum1,'Outputmode','sequence','name','hidden1') 
        dropoutLayer(0.3,'name','dropout_1')
        bilstmLayer(Hnum2,'Outputmode','last','name','hidden2') 
        dropoutLayer(0.3,'name','drdiopout_2')
        fullyConnectedLayer(Osize,'name','fullconnect')   % 全连接层
        quanRegressionLayer('out',i)];
    %训练
    net2(idx) = trainNetwork(Xn1,Yn1,layers,opts);
end
%预测
for i = 1:length(Yn2)
    pred1    = net1.predict(Xn2(i));
    ypre1(i) = pred1;
end
 
% 区间预测
for i = 1:length(net2)
    pred2(i,:) = net2(i).predict(Xn2);
    ypre2(i,:) = pred2(i,:); 
end
 
x =[1:2000-LVL];
figure
fill([x,x(end:-1:1)],[smooth(ypre2(1,:),1)',smooth(ypre2(end,end:-1:1),1)'],'r','FaceColor',[0.7 0.9 0.7],'EdgeColor','none')
hold on 
plot(ypre1,'r-','LineWidth',2)
hold on 
plot(Yn2','b-','LineWidth',2)
legend('95%置信区间','预测值','实际值')
xlabel('Time')
ylabel('负荷(KW)')
title('预测周负荷概率分布')
save R2.mat 
243

5.算法理论概述

通过PSO搜索BILSTM的最优超参数组合Θ= $lr,Nh$ ，lr学习率、Nh隐藏层神经元数。

QR-BiLSTM(分位数回归 - 双向长短时记忆网络)，是将分位数回归(QR)与双向长短时记忆网络(BiLSTM)融合的时序预测模型，核心解决传统BiLSTM仅输出"点预测"(如均值)、无法捕捉预测值分布特征的问题。

其核心可拆为两层：

BiLSTM的时序特征挖掘：BiLSTM由正向LSTM和反向LSTM组成，能同时捕捉时序数据的前向依赖和后向依赖，相比单向LSTM更全面地挖掘多输入时序特征的内在关联，适配多输入单输出的时序预测场景。

分位数回归的分布预测：放弃传统的均方误差损失，改用分位数回归损失函数，让模型能输出不同分位数(如 0.1~0.9)下的预测值，而非单一均值。例如：0.5分位数对应中位数预测，0.1/0.9分位数对应预测值的下界/上界，可量化预测结果的不确定性，这是传统BiLSTM不具备的核心优势。

QR-BiLSTM既保留了BiLSTM处理长时序依赖的能力，又通过分位数回归实现了"区间预测"，而非仅"点预测"。

6.参考文献

$1$ Lu Y , Li P , Wang P ,et al.A method of rice yield prediction based on the QRBILSTM-MHSA network and hyperspectral image $J$ .Computers and electronics in agriculture, 2010, 239(PartA):25.DOI:10.1016/j.compag.2025.110884.

7.算法完整程序工程

OOOOO

OOO

关注GZH后输入自动回复码：0023

或输入自动回复码：QRBiLSTM2