概述
0、前言
采用BiLSTM算法实现回归预测，并对BiLSTM的学习率，迭代次数，batchs ize，和各层节点数进行优化。
1、BiLSTM原理
请参考大佬的模型讲解，本文不再赘述，请点击原理
2、性能影响参数
神经网络的学习性能都会受学习率，迭代次数，batchs ize，和各层节点数的影响。合理设置参数才能取得较为理想的结果。可以采用优化算法进行参数寻优替代经验设置的局限性。
下图是直接依据经验设置参数后的预测结果
性能指标：
根均方差(RMSE)：7.8549
平均绝对误差（MAE）：6.1429
平均相对百分误差（MAPE）：1.3486%
R平方决定系数（R2）：0.79258
纳什系数（NSE）：0.78745
采用麻雀优化算法对BiLSTM的学习率，迭代次数，batchs ize，和各层节点数进行优化，结果如下：
SSA-BiLSTM
根均方差(RMSE)：5.6401
平均绝对误差（MAE）：4.4521
平均相对百分误差（MAPE）：0.97865%
R平方决定系数（R2）：0.89432
纳什系数（NSE）：0.89041
最后
以上就是殷勤舞蹈为你收集整理的基于BiLSTM的回归预测方法0、前言1、BiLSTM原理 2、性能影响参数的全部内容，希望文章能够帮你解决基于BiLSTM的回归预测方法0、前言1、BiLSTM原理 2、性能影响参数所遇到的程序开发问题。
如果觉得靠谱客网站的内容还不错，欢迎将靠谱客网站推荐给程序员好友。
本图文内容来源于网友提供，作为学习参考使用，或来自网络收集整理，版权属于原作者所有。
发表评论 取消回复