WOA-BiLSTM时间序列预测：超参数自动优化与Matlab实现

简介：面向时间序列预测需求，提供Matlab实现的鲸鱼算法优化双向长短期记忆网络（WOA-BiLSTM）完整程序，适合正在研究时序预测或需要构建深度学习预测模型的学生、科研人员与工程师，可应用于电力负荷、交通流量、气象要素等典型随时间变化数据的回归预测场景。压缩包共10个文件，以5个功能明确的m源程序为核心，分别承担数据读取、预处理、WOA优化、BiLSTM训练及性能评估等任务，另附4个png预测结果图和1个xlsx示例数据文件，整体仅135KB，结构精炼适合快速理解与二次开发。已有471人学习下载。程序自动优化学习率、隐藏层节点数和正则化参数，用户可直接运行主程序复现完整预测流程，得到预测曲线与误差对比图，并可通过xlsx文件替换为自身业务数据，便于在真实场景中验证WOA-BiLSTM的优化效果，代码结构清晰，注释到位，适合教学演示与论文实验参考。

1. WOA-BiLSTM核心机制与建模路径

时间序列预测里，LSTM 的隐藏层维度、学习率、批大小这些超参数直接决定拟合上限。手动试凑耗时，网格搜索在高维参数空间里几乎不可行。鲸鱼算法（WOA）是一种模拟座头鲸气泡网捕食的元启发式算法，用种群迭代逼近目标函数的极值，天然适合给 BiLSTM 当超参数搜索器。BiLSTM 在普通 LSTM 基础上增加反向时序传播，能同时读取历史与未来上下文，对负荷、流量、股价这类前后关联强的序列更友好。本文面向的是已经跑通单步 LSTM、想换 BiLSTM 并引入自动调参的工程人员，重点讲清楚 WOA 与 BiLSTM 的接口设计，以及从数据到预测曲线的完整闭环。

2. 数据预处理与数据集划分

2.1 读入与归一化

时间序列预测的第一步不是搭网络，而是把数据整理成监督学习格式。假设你有 1000 个时间步的单变量序列data，要预测未来 1 步，需要构造X: (样本数, 特征数, 序列长度)与Y: (样本数, 输出维度)。Matlab 的lstmLayer默认接收不同格式，看你是用trainNetwork还是dlnetwork。传统做法常用 cell 数组，每个样本是一个numFeatures × numTimeSteps的矩阵。

自分倾向于dlnetwork路线，因为后面要接 WOA 的循环迭代，每次都要重建网络或更新参数，dlnetwork更适合程序化操作。读入 CSV 后先做归一化，常见做法是 mapminmax 或 zscore。对时间序列，推荐用 mapminmax 把数据压到 [-1,1]，因为 BiLSTM 默认激活函数是 tanh，输入落在这个区间能缓解梯度问题。

data = readmatrix('series.csv'); data = data(:); dataNorm = mapminmax(data', -1, 1); dataNorm = dataNorm';

mapminmax的输出是行向量，所以读入后转置两次，保持列向量结构。注意readmatrix在 Matlab R2023a 之后对混合类型支持更好，如果你用的版本较老，建议改用csvread或load看数据格式。归一化参数ps保存下来，预测结束后要用mapminmax('reverse', ...)还原，不要只保存归一化后的数据。

2.2 构造训练集与测试集

监督学习格式的滑窗构造，核心是lag值。预测步长futureSteps=1，则样本X{i}是1 × lag的向量，Y(i)是滞后一步的真值。注意要避免数据泄露，测试集的归一化参数必须来自训练集，不能对全序列统一归一化。滑动窗口构造用循环即可，数据量到十万级时再考虑buffer函数加速。

function [X, Y, ps] = createSlidingWindow(data, lag, trainRatio) [dataNorm, ps] = mapminmax(data', -1, 1); dataNorm = dataNorm'; numSamples = length(dataNorm) - lag; X = cell(numSamples, 1); Y = zeros(numSamples, 1); for i = 1:numSamples X{i} = dataNorm(i : i + lag - 1)'; Y(i) = dataNorm(i + lag); end trainNum = round(numSamples * trainRatio); XTrain = X(1:trainNum); YTrain = Y(1:trainNum); XTest = X(trainNum+1:end); YTest = Y(trainNum+1:end); end

代码里X{i}是lag×1的列向量，对应sequenceInputLayer的InputSize=lag。trainRatio=0.8表示前 80% 的样本训练，后 20% 测试。注意这里的时间顺序没有打乱，乱序会破坏序列依赖。

3. 构建BiLSTM网络与WOA参数绑定

3.1 BiLSTM 层配置

BiLSTM 在 Matlab 中以bilstmLayer形式提供，底层是两个方向的 LSTM 拼接。关键参数有三个：NumHiddenUnits、OutputMode和InputSize。OutputMode='last'只输出最后时间步的隐藏状态，适合回归到单值预测；OutputMode='sequence'保留完整序列输出，适合序列到序列任务。

网络结构从输入到输出依次是：sequenceInputLayer→bilstmLayer→fullyConnectedLayer(1)→regressionLayer。这里不额外加 dropout，因为 WOA 搜索时需要快速迭代，dropout 会拖慢训练速度，且小数据集上收益不确定。

layers = [ sequenceInputLayer(1) bilstmLayer(50, 'OutputMode', 'last') fullyConnectedLayer(1) regressionLayer ];

sequenceInputLayer(1)表示每个时间步只有 1 个特征。如果你的数据是多变量，改成特征数即可。bilstmLayer(50, ...)中的 50 是隐藏单元数，实际运行时参数量是单向 LSTM 的两倍，训练时间也近似翻倍，这在调参预算里要提前算进去。

3.2 WOA 的种群编码与边界处理

WOA 中每个个体代表一组 BiLSTM 超参数。常见的编码有三维：学习率lr、隐藏单元数numHiddenUnits、批大小miniBatchSize。隐藏单元数和批大小需取整，学习率通常用10^a指数缩放。

function net = buildBiLSTM(x) lr = x(1); numHiddenUnits = round(x(2)); miniBatchSize = round(x(3)); layers = [ sequenceInputLayer(1) bilstmLayer(numHiddenUnits, 'OutputMode', 'last') fullyConnectedLayer(1) regressionLayer ]; options = trainingOptions('adam', ... 'InitialLearnRate', lr, ... 'MiniBatchSize', miniBatchSize, ... 'MaxEpochs', 50, ... 'Verbose', false); net = trainNetwork(XTrainCell, YTrain, layers, options); end

trainNetwork要求输入是 cell 数组，YTrain是列向量。这里把网络构建和训练包在一个函数里，WOA 每次迭代只需调用buildBiLSTM并传入位置向量。MaxEpochs=50是折中值——WOA 种群如果是 10 个个体、30 次迭代，就要训练 300 次网络，每轮 epoch 太多会耗尽时间预算。

3.3 WOA 的包围、气泡网与搜索猎物

WOA 的三类位置更新公式分别是包围猎物、气泡网攻击和随机搜索。Matlab 实现的核心是rand和系数向量A、C的计算。a从 2 线性递减到 0，A的绝对值决定当前是搜索还是开发。

function [positions, bestPos, bestScore] = woa(fitnessFunc, dim, lb, ub, SearchAgents, MaxIter) positions = rand(SearchAgents, dim) .* (ub - lb) + lb; [bestScore, bestIdx] = min(arrayfun(@(i) fitnessFunc(positions(i,:)), 1:SearchAgents)); bestPos = positions(bestIdx, :); for t = 1:MaxIter a = 2 - t * (2 / MaxIter); for i = 1:SearchAgents r1 = rand; r2 = rand; A = 2 * a * r1 - a; C = 2 * r2; p = rand; if p < 0.5 if abs(A) < 1 D = abs(C * bestPos - positions(i,:)); positions(i,:) = bestPos - A * D; else randIdx = randi(SearchAgents); D = abs(C * positions(randIdx,:) - positions(i,:)); positions(i,:) = positions(randIdx,:) - A * D; end else D = abs(bestPos - positions(i,:)); positions(i,:) = D .* exp(1) .* cos(2 * pi * rand()) + bestPos; end positions(i,:) = max(min(positions(i,:), ub), lb); end scores = arrayfun(@(i) fitnessFunc(positions(i,:)), 1:SearchAgents); [minScore, minIdx] = min(scores); if minScore < bestScore bestScore = minScore; bestPos = positions(minIdx, :); end end end

参数说明：dim=3对应当前编码维度；lb和ub是三维向量，学习率的范围一般设为[1e-4, 1e-2]，隐藏单元数[10, 100]，批大小[16, 128]。WOA 默认是用连续值更新，边界裁剪在每次更新后执行，防止越界导致trainNetwork报错。这里的exp(1)是气泡网更新中的常数，与 WOA 原文的b=1对应。

4. 迭代寻优与训练预测

4.1 损失函数与搜索策略的选择

适应度函数是 WOA 的指挥棒。时间序列回归常见选择是测试集 RMSE 或 MAPE。用验证集 RMSE 作为适应度，避免了以训练集误差为目标的过拟合反馈。注意，每次 WOA 评估都要完整训练一次 BiLSTM，代价不低。如果数据集规模大，建议把MaxEpochs降到 30，或者用早停机制。

fitnessFunc = @(x) evaluateRMSE(x, XTrain, YTrain, XVal, YVal);

其中evaluateRMSE内部调用buildBiLSTM训练模型，然后对验证集做预测。这里要防止一个问题：trainNetwork每次初始化的随机权重不一样，即使同一组超参数，两次评估得分也有波动。WOA 的搜索机制会放大这种噪声，常见的缓解做法是固定随机种子rng(42)，或者在每次评估时训练多次取平均。

4.2 训练过程与预测还原

得到bestPos之后，用该组超参数重新训练最终模型，并对测试集做预测。预测时mapminmax('reverse', ...)调用前要确保用训练集的ps结构。

finalNet = buildBiLSTM(bestPos); YPredNorm = predict(finalNet, XTest, 'MiniBatchSize', 32); YPred = mapminmax('reverse', YPredNorm', ps); YTestReal = mapminmax('reverse', YTest', ps);

'MiniBatchSize'是predict的选项，不设置时取训练时的默认值。预测结果YPredNorm的维度可能是(numObservations, numResponses)或(numTimeSteps, numObservations)的转置形式，取决于OutputMode和输入是 cell 还是数值数组，建议用size(YPredNorm)打印确认再反归一化。reverse函数要求输入行向量，第二行代码里有两个转置，逻辑是：YPredNorm若是列向量，转成行向量传给mapminmax，输出再转回列向量。

4.3 多迭代轮的稳定性检查

跑完一轮 WOA 后，只拿bestScore评估并不可靠。很多实践者用「多轮 WOA 取结果对比」来判断是否收敛。常见做法是：用不同随机种子跑三轮 WOA，比较三组bestPos的差异。如果学习率位置都在 1e-3 附近，隐藏单元都在 60~80，说明搜索结果是可复现的；如果三轮结果差异极大，多半是适应度函数噪声太大，优先检查数据归一化与训练集划分是否一致。

5. 从单步到多步：决策级扩展与模型诊断

5.1 多步预测的两种范式

单步预测跑通后，业务上往往需要未来 12 小时或 7 天的值。常见做法有两种：递归多步预测和直接多步预测。递归方式把上一步的预测值作为下一步的输入，误差会累积，适合短期延伸；直接方式则为每个预测步训练一个模型，参数多但误差被隔离。中间路线是 seq2seq，用编码器 BiLSTM 读入历史窗口，解码器输出多步预测向量。Matlab 的dlnetwork支持自定义训练循环，做 seq2seq 时自由度更高。

5.2 评估指标与误差回检

多步预测不能只看单步 RMSE。分步位查看 MAPE 的衰减趋势是判断模型边界的好方法，如果第 5 步的误差比第 1 步翻了一倍，说明模型对长程依赖特征的提取不足，这时应增大numHiddenUnits而非加深层数。另一种方式是计算预测误差的自相关系数，若误差在滞后 1 处存在明显相关，说明时序信息仍有残留，可以尝试把输入窗口加长。

5.3 WOA 参数与训练成本的权衡

WOA 有三组参数直接影响开销：SearchAgents控制并行评估的粒度，MaxIter控制搜索预算。建议从SearchAgents=6, MaxIter=20起步，跑通后再逐步加到10×30。批大小miniBatchSize对收敛速度的影响比学习率直接：批大小翻倍，训练时间近似减半但梯度噪声增大；学习率过大容易在训练后期震荡，过小则迭代不足。另外，Matlab 的并行计算工具箱可以并行评估种群适应度，用parfor代替for就能让多个个体同时训练网络，代码改动只有一行，但提速效果显著。

5.4 工程化输出建议

最终交付时，把归一化参数ps、WOA 最优位置bestPos、模型结构信息一起保存到.mat文件中，便于后续加载。同时打印每个测试点的预测值与真实值到 CSV，方便与基线模型对比。若用codex之类的代码辅助工具处理 Matlab 脚本，注意需要显式指定trainNetwork是否在循环内调用，IDE 自动补全有时会隐藏模型变量被重复赋值的问题。

本文还有配套的精品资源，点击获取