麻雀优化算法SSA结合LSTM做时间序列单输入单输出预测模型，要求数据是单列的时间序列数据，直接替换数据就可以用。 程序语言是matlab，需求最低版本为2018及以上。 程序可以出真实值和预测值对比图，线性拟合图，可打印多种评价指标。
在数据分析和预测领域，时间序列预测一直是个热门话题。今天咱们就来聊聊如何用麻雀优化算法（SSA）结合长短期记忆网络（LSTM），在Matlab环境下搭建一个时间序列单输入单输出预测模型。这个模型最大的好处就是，只要是单列的时间序列数据，直接替换就能用。咱们要求Matlab最低版本是2018及以上哈。
一、算法原理简单介绍
1.1 麻雀优化算法（SSA）
麻雀优化算法是一种新型的群智能优化算法，灵感来源于麻雀觅食和反捕食行为。简单来说，麻雀们在觅食时，有发现者和追随者两种角色。发现者负责寻找食物源，追随者跟着发现者找吃的。同时，当察觉到危险时，麻雀们会做出相应的躲避动作。通过模拟这些行为，SSA可以在解空间中搜索最优解，这里我们就用它来优化LSTM的参数，让模型效果更好。
1.2 长短期记忆网络（LSTM）
LSTM是一种特殊的循环神经网络（RNN），专门用来处理时间序列数据中的长期依赖问题。传统RNN在处理长序列时容易出现梯度消失或梯度爆炸，LSTM通过引入门控机制，像输入门、遗忘门和输出门，有效地解决了这个问题。它能很好地捕捉时间序列中的长期信息，非常适合时间序列预测。
二、Matlab代码实现
2.1 数据准备
假设我们的数据保存在一个单列的文本文件data.txt里。
% 读取数据 data = load('data.txt'); % 划分训练集和测试集 trainRatio = 0.8; trainLen = floor(length(data)*trainRatio); trainData = data(1:trainLen); testData = data(trainLen+1:end);这段代码先读取数据，然后按照80%训练集，20%测试集的比例划分数据。为啥选80%训练集呢？通常这样能在训练充分和保留测试数据量之间找到个不错的平衡，让模型既学到足够知识，又有足够数据来评估效果。
2.2 数据预处理
% 归一化 [trainNorm,ps] = mapminmax(trainData',0,1); trainNorm = trainNorm'; testNorm = mapminmax('apply',testData',ps); testNorm = testNorm';这里对训练集和测试集进行归一化处理，把数据映射到 [0, 1] 区间。mapminmax函数是Matlab里专门做这个的，ps是归一化参数，测试集用训练集得到的参数ps来归一化，保证数据尺度一致。
2.3 构建LSTM模型
inputSize = 1; hiddenSize = 10; outputSize = 1; layers = [... sequenceInputLayer(inputSize) lstmLayer(hiddenSize) fullyConnectedLayer(outputSize) regressionLayer];这里构建LSTM网络结构。sequenceInputLayer是输入层，inputSize设为1是因为我们是单输入。lstmLayer是LSTM层，hiddenSize设为10，这个值可以根据实际情况调，太大可能过拟合，太小可能欠拟合。fullyConnectedLayer是全连接层，最后regressionLayer是回归层，因为我们做的是预测，所以用回归。
2.4 用SSA优化LSTM参数
这部分代码相对复杂点，这里简单示意下核心思路。
% 定义适应度函数，评估LSTM模型在训练集上的性能 fitnessFunction = @(params) evaluateLSTM(params,trainNorm); % 用SSA优化参数 [bestParams,fval] = SSA(fitnessFunction, numParams, lb, ub, maxIter, numSparrows);evaluateLSTM函数就是用传入的参数params构建LSTM模型，在训练集trainNorm上训练并返回性能指标。SSA函数就是实现麻雀优化算法的核心，它在给定参数范围lb（下限），ub（上限），最大迭代次数maxIter和麻雀数量numSparrows下，找最优参数bestParams。
2.5 模型训练与预测
% 根据优化后的参数构建并训练模型 net = configureNetwork(layers, trainNorm); net = trainNetwork(trainNorm, net, options); % 预测 [~, trainPred] = predictAndUpdateState(net, trainNorm); [~, testPred] = predictAndUpdateState(net, testNorm);先根据优化后的参数配置网络，然后训练。训练好后对训练集和测试集做预测。predictAndUpdateState函数会更新LSTM的状态，适合处理时间序列数据。
2.6 结果可视化与评价指标计算
% 反归一化 trainPred = mapminmax('reverse',trainPred',ps); trainPred = trainPred'; testPred = mapminmax('reverse',testPred',ps); testPred = testPred'; % 真实值和预测值对比图 figure; plot([1:length(trainData)],trainData,'b', 'DisplayName','真实值 - 训练集'); hold on; plot([1:length(trainPred)],trainPred,'r--', 'DisplayName','预测值 - 训练集'); plot([length(trainData)+1:length(data)],testData,'b', 'DisplayName','真实值 - 测试集'); plot([length(trainPred)+1:length(trainPred)+length(testPred)],testPred,'r--', 'DisplayName','预测值 - 测试集'); legend; xlabel('时间步'); ylabel('值'); title('真实值与预测值对比'); % 线性拟合图 figure; scatter(trainData,trainPred); hold on; p = polyfit(trainData,trainPred,1); yfit = polyval(p,trainData); plot(trainData,yfit,'r'); xlabel('真实值'); ylabel('预测值'); title('训练集线性拟合'); % 计算评价指标 maeTrain = mean(abs(trainData - trainPred)); maeTest = mean(abs(testData - testPred)); mseTrain = mean((trainData - trainPred).^2); mseTest = mean((testData - testPred).^2); rmseTrain = sqrt(mseTrain); rmseTest = sqrt(mseTest); fprintf('训练集MAE: %.4f\n', maeTrain); fprintf('测试集MAE: %.4f\n', maeTest); fprintf('训练集MSE: %.4f\n', mseTrain); fprintf('测试集MSE: %.4f\n', mseTest); fprintf('训练集RMSE: %.4f\n', rmseTrain); fprintf('测试集RMSE: %.4f\n', rmseTest);先把预测值反归一化变回原始尺度，然后分别画真实值和预测值对比图，还有训练集的线性拟合图。最后计算平均绝对误差（MAE）、均方误差（MSE）和均方根误差（RMSE）这些常用评价指标并打印出来。这些指标能直观地告诉我们模型预测的好坏。
通过以上步骤，咱们就实现了麻雀优化算法SSA结合LSTM的时间序列单输入单输出预测模型，在Matlab环境下对单列时间序列数据进行预测，还能可视化结果和看评价指标。希望这篇文章能对大家有所帮助。
)
