基于ELM-Adaboost的时间序列预测模型：MATLAB实现与应用

一、研究背景

时间序列预测在金融、气象、能源、交通等领域具有重要应用价值。传统的预测方法如ARIMA、SVM等在某些复杂非线性场景下表现有限。极限学习机（Extreme Learning Machine, ELM）因其训练速度快、泛化能力强而受到广泛关注，但其稳定性较差，容易受到样本分布不均的影响。为此，结合AdaBoost（Adaptive Boosting）集成学习策略，可以提升ELM的预测精度和鲁棒性。本文基于MATLAB实现了一个ELM-Adaboost组合模型，用于时间序列预测任务。

二、主要功能

本代码实现了以下功能：

读取Excel格式的时间序列数据；
通过滑动窗口构造训练样本和标签；
划分训练集和测试集；
数据归一化处理；
构建多个ELM弱预测器，并使用AdaBoost算法进行加权集成；
输出强预测器的预测结果；
计算多种误差指标（MAE、MAPE、MSE、RMSE、R²、RPD）；
可视化训练集和测试集的预测结果及误差。

三、算法步骤

数据预处理
- 读取Excel数据；
- 设置输入时间步数（n_in）和输出步数（n_out）；
- 调用data_collation函数，通过滑动窗口生成样本；
- 按比例划分训练集和测试集；
- 使用mapminmax对输入输出进行归一化。
AdaBoost增强学习
- 初始化样本权重；
- 循环训练K个ELM弱预测器；
- 计算每个弱预测器的预测误差，并根据误差阈值更新样本权重；
- 计算弱预测器的权重；
- 归一化权重，进入下一轮训练。
强预测器预测
- 将各弱预测器的预测结果按权重线性组合，得到最终预测值。
误差计算与可视化
- 调用calc_error函数计算多种误差指标；
- 绘制训练集和测试集的预测对比图、误差图。

四、技术路线

plaintext 复制代码

原始数据 → 滑动窗口构造样本 → 训练/测试划分 → 归一化 → 
AdaBoost循环（训练ELM → 误差计算 → 权重更新） → 
强预测器输出 → 反归一化 → 误差评估 → 可视化

五、公式原理

1. 极限学习机（ELM）

ELM是一种单隐层前馈神经网络，其输出为：

f(x)=h(x)β f(x) = h(x) \beta f(x)=h(x)β

其中 ( h(x) ) 是隐层输出矩阵，( \beta ) 是输出权重，通过最小二乘法求解：

β=H†T \beta = H^\dagger T β=H†T

2. AdaBoost权重更新

设第 iii个弱预测器的误差为：

Ei=∑j=1nDi(j)⋅I(∣ej∣>θ) E_i = \sum_{j=1}^{n} D_{i}(j) \cdot \mathbb{I}(|e_j| > \theta) Ei=j=1∑nDi(j)⋅I(∣ej∣>θ)

其中 eje_jej为第jjj 个样本的预测误差，θ\thetaθ为误差阈值（代码中设为0.2）。

弱预测器权重为：

αi=0.5exp⁡(∣Ei∣) \alpha_i = \frac{0.5}{\exp(|E_i|)} αi=exp(∣Ei∣)0.5

样本权重更新：

Di+1(j)=Di(j)⋅{1.1,if ∣ej∣>θ1,otherwise D_{i+1}(j) = D_i(j) \cdot \begin{cases} 1.1, & \text{if } |e_j| > \theta \\ 1, & \text{otherwise} \end{cases} Di+1(j)=Di(j)⋅{1.1,1,if ∣ej∣>θotherwise

最后对权重进行归一化。

3. 强预测器输出

F(x)=∑i=1Kαifi(x) F(x) = \sum_{i=1}^{K} \alpha_i f_i(x) F(x)=i=1∑Kαifi(x)

其中 fi(x)f_i(x)fi(x) 为第iii 个ELM的预测值。

六、参数设定

参数名	值	说明
`n_in`	3	输入时间步数（历史时刻数）
`n_out`	1	预测未来步数（单步预测）
`num_samples`	500	构造的样本总数
`scroll_window`	1	滑动窗口步长
`num_size`	0.8	训练集比例
`K`	10	弱预测器数量（ELM个数）
`ELM隐层节点数`	80	每个ELM的隐层神经元数量
`激活函数`	'sig'	Sigmoid激活函数
`误差阈值`	0.2	用于判断误差是否较大

七、运行环境

软件版本：MATLAB R2018b 及以上
依赖函数 ：
- data_collation（自定义数据整理函数）
- elmtrain（ELM训练函数）
- elmpredict（ELM预测函数）
- calc_error（误差指标计算函数）
输入文件 ：数据集.xlsx（时间序列数据，每列一个特征）
输出文件 ：
- ELM_Adaboost.mat（保存预测结果）
- true.mat（保存真实值）

八、应用场景

该模型适用于以下典型时间序列预测任务：

电力负荷预测：根据历史负荷数据预测未来时段负荷；
股票价格预测：基于历史价格和交易量进行短期趋势预测；
气象数据预测：如温度、湿度、风速等；
交通流量预测：预测某路段未来时段的车流量；
工业过程控制：如设备状态、能耗预测等。

九、总结

本文提出的ELM-Adaboost模型结合了ELM的快速训练能力和AdaBoost的集成学习优势，能够有效提升时间序列预测的准确性和稳定性。代码实现清晰，易于扩展，适合作为学术研究或工程应用中的基线模型。