IWOA-BILSTM时间序列预测：鲸鱼算法自动优化LSTM超参实战

简介：在深度学习时间序列建模中，LSTM及其变体BILSTM（双向长短期记忆网络）因其对时序特征的捕捉能力被广泛应用，但隐藏层节点、学习率、正则化系数等超参数往往依赖人工反复试错，训练效率低且结果不稳定。智能优化算法为超参搜索提供了自动化路径，其中鲸鱼优化算法（WOA）通过模拟座头鲸捕食行为，在解空间中迭代寻优，改进型IWOA进一步采用非线性收敛因子增强全局搜索与局部开发能力。将IWOA与BILSTM结合，可在同一数据集上自动搜索最优超参，并与未优化的基线模型对比，直观量化优化增益。该方案适用于电力负荷预测、气象温度预报、电池SOC估计等单变量时序回归任务，在MATLAB环境下可快速实现从数据预处理、滑动窗口构造、网络训练到指标评估的完整流程，为工程实践中的模型调参与效果验证提供了高效基准。

1. IWOA-BILSTM 时间序列预测：把 LSTM 超参调优从玄学变成自动搜索

调过 LSTM 的人都懂，隐藏层节点、学习率、正则化系数这几个参数，改一个数就得重跑一遍训练，效果好坏全看运气。这份 IWOA-BILSTM 时间序列预测代码做的事很直接：用改进鲸鱼算法（IWOA）自动搜索双向长短期记忆网络（BILSTM）的最优超参，同时保留一个不优化的 BILSTM 作为对照，让你在同一个数据集上直接看到优化前后的指标差在哪。资源里包含完整 MATLAB 工程、两个主程序、画图脚本和结果文件，适合正在做时间序列预测、需要 benchmark 结果、或者想把智能优化算法接到深度学习里的从业者。下面按我拆这类代码包的习惯，从文件结构讲到替换数据的完整流程。

2. 拆压缩包：从文件清单到数据流向，先看清两个主程序的分工

2.1 十几个文件各管一段：入口、训练、画图、指标都在这

拿到压缩包先别急着跑 main1.m，我建议先对着文件列表把每个文件的职责划清楚。这份资源的结构很典型，解压后的核心文件可以分成四类：入口脚本、训练核心、优化配套、结果加工。先看入口，main1.m 是基线 BILSTM 的完整流程，main2.m 是 IWOA-BILSTM 的完整流程，两者共用同一条数据预处理链路，差别只在训练前多不多一步优化搜索。

下面这张表是我按调用关系整理的，对照着看不容易迷路。

这个布局的优点是入口和逻辑分离。main1.m 和 main2.m 都短，几行脚本，真正干活的是 data_process.m、forlstm.m 和 fitness.m。你改数据只动 Excel 和 data_process.m，改网络只动 forlstm.m，改优化边界只动 Bounds.m，互相不牵连。我见过不少把预处理、训练、画图全部塞进一个脚本的代码包，那种改一处就得通读全篇，维护成本高得多。

2.2 数据流向：从 Excel 到两个模型输出，中间经过哪几步

理清文件职责之后，再看数据在程序里怎么流转。这份资源的数据流是单向的，每一级输出恰好是下一级的输入，理解这条链之后，出问题时你能快速定位是哪个环节的数据形态不对。

数据集.xlsx 是原始序列，data_process.m 读进来之后先做归一化到 [0,1] 区间，然后用滑动窗口把一维序列拆成「前 lookback 步预测下一步」的输入输出对，再按比例切成训练集和测试集。归一化的 ps 参数结构体会被单独保存，这是后面反归一化还原预测值必需的。处理完的数据交给 forlstm.m，里面搭好 bilstmLayer 网络直接 trainNetwork。main1.m 到这里就出结果，main2.m 则在此之前先跑一遍 IWOA：fitness.m 反复调用 forlstm.m，每组候选超参都训练一次，拿验证误差当适应度，迭代结束后把最优超参再交给 forlstm.m 训练最终模型。

运行顺序上，我建议严格按 main1 → main2 → huatu 来。main1 先跑出基线，main2 再跑优化，两个脚本会把结果写进各自的 .mat 文件，huatu.m 读取之后画对比图和收敛曲线。如果你直接先跑 huatu.m，大概率会因为 .mat 不存在而报错。按这个顺序执行，每一步的产物都能被下一步消费，不会缺文件。

2.3 优化四个参数：迭代次数、隐藏层节点、学习率、正则化怎么设边界

这份代码的卖点是 IWOA 优化，优化对象是 BILSTM 的四个训练超参：最大迭代次数（MaxEpochs）、隐藏层节点个数、初始学习率、L2 正则化系数。这四个量在鲸鱼算法里就是每个个体的四维坐标，Bounds.m 文件里定义它们的上下界，直接决定搜索空间的大小。

边界怎么设直接影响优化结果。学习率下界设成 0.0001 虽然更保守，但会拖慢整个搜索过程，因为每个个体都要完整训练一轮；隐藏层节点上界设到 300，遇到长序列时网络参数量暴涨，训练一轮要等很久。我一般会把 Bounds.m 的范围先放宽跑一次，看收敛曲线拐点落在哪，再把范围收窄到拐点附近重新搜，这样比一次性给死范围要稳。

3. 预处理与训练核心：data_process.m 和 forlstm.m 的逐段拆解

3.1 data_process.m：归一化、滑动窗口与训练测试集划分

data_process.m 是所有流程的起点，它决定模型看到的数据形态。这类 MATLAB 时序代码里，预处理的核心逻辑基本一致：xlsread 读数据、mapminmax 归一化、循环构造滑动窗口样本。下面这段是我复现这类代码包时按常见做法补全的核心逻辑，你可以对照自己的文件看差异在哪。

% data_process.m 核心逻辑，单变量时间序列 data = xlsread('数据集.xlsx'); % 读入原始序列 data = data(:, 1); % 取第一列 % 归一化到 [0,1]，ps 保存映射参数，后续反归一化要复用 [data_n, ps] = mapminmax(data', 0, 1); data_n = data_n'; % 滑动窗口：用前 lookback 步预测下一步 lookback = 12; % 窗口长度，按数据周期调整 X = []; Y = []; for i = lookback + 1 : length(data_n) X = [X; data_n(i - lookback : i - 1)]; % 输入：前 12 步 Y = [Y; data_n(i)]; % 标签：当前步 end % 按 8:2 划分训练集与测试集 train_num = round(length(X) * 0.8); train_x = X(1 : train_num, :)'; train_y = Y(1 : train_num, :)'; test_x = X(train_num + 1 : end, :)'; test_y = Y(train_num + 1 : end, :)'; save data_pro.mat train_x train_y test_x test_y ps

几个关键点需要说明。mapminmax 归一化到 [0,1] 是 LSTM 训练的常规操作，因为 sigmoid、tanh 这类激活函数对输入尺度敏感，不归一化会导致梯度震荡；ps 结构体必须保存下来，预测阶段要靠它把归一化后的预测值还原成原始量纲，这是新手最容易漏的。lookback 是滑动窗口长度，设多少取决于你的数据周期，日粒度数据我一般试 7 或 30，有明确周期性的按周期长度的整数倍取。train_x 转置成特征维度在前、时间步在后的矩阵，因为 sequenceInputLayer 要求输入是「特征数 × 序列长度」的形态，后续在 forlstm.m 里要再转成 cell 数组。

3.2 forlstm.m：bilstmLayer 的回归网络结构与训练选项

forlstm.m 是这份资源的训练心脏，main1.m、main2.m、fitness.m 最终都汇到这里。BILSTM 和单向 LSTM 的结构差异在前向与后向两个方向各跑一遍，把两个方向的隐状态拼接后输出，所以在捕捉序列上下文时更能利用前后双向信息。在 MATLAB 里实现双向结构，2019 及以上版本直接有 bilstmLayer 函数，不需要手工翻转序列拼接。下面是 forlstm.m 里的网络搭建逻辑。

% forlstm.m 网络结构定义 function net = forlstm(train_x, train_y, hiddenUnits, maxEpochs, learnRate, l2Factor) numFeatures = size(train_x, 1); % 输入特征维度 layers = [ ... sequenceInputLayer(numFeatures) bilstmLayer(hiddenUnits, 'OutputMode', 'last') fullyConnectedLayer(1) regressionLayer]; options = trainingOptions('adam', ... 'MaxEpochs', maxEpochs, ... 'InitialLearnRate', learnRate, ... 'L2Regularization', l2Factor, ... 'Verbose', 0); net = trainNetwork(train_x, train_y, layers, options); end

这里要解释两个容易混的点。bilstmLayer 的 'OutputMode' 参数，这份代码用 'last' 意思是只把最后一个时间步的隐状态输出，适合单步预测这种「序列整体映射到一个值」的任务；如果你做的是序列到序列的预测，就要改成 'sequence'。隐藏层节点 hiddenUnits 是双向层每方向的节点数，由于双向会拼出两倍维度，hiddenUnits 设到 32 或 64 在中小规模数据集上基本够用。trainNetwork 对 train_x 的格式要求是 cell 数组，每个元素是一个「numFeatures × lookback」矩阵，train_y 是对应的数值向量，如果这里直接传矩阵会报维度错误，后面避坑章节会细说。

3.3 main1.m 和 main2.m 的差异：一个直接训练，一个先搜超参

两个主程序的差异用一个对比就能说清。main1.m 是手工设定超参直接训练，main2.m 是先用 IWOA 搜出一组超参再训练。看代码骨架更直观。

% main1.m 基线 BILSTM，手工给超参 data_process; % 调用预处理脚本 hiddenUnits = 64; % 拍脑袋定的隐藏层节点 learnRate = 0.01; % 固定学习率 net = forlstm(train_x, train_y, hiddenUnits, 200, learnRate, 1e-4); % ... 预测、反归一化、算 R2 / RMSE、保存 BILSTM.mat

% main2.m IWOA-BILSTM，超参由鲸鱼算法给出 data_process; [best_pos, best_fit, curve] = IWOA(@fitness, dim, lb, ub, SearchAgents_no, Max_iteration); % best_pos 即 (迭代次数, 隐藏层节点, 学习率, L2正则化) net = forlstm(train_x, train_y, round(best_pos(2)), round(best_pos(1)), best_pos(3), best_pos(4)); % ... 预测、反归一化、算指标、保存 IWOA-BILSTM.mat

main2.m 多了的那段 IWOA 调用，本质是「在训练之前先花代价搜一遍超参」。代价在于 fitness.m 每评估一组超参就完整训练一次 LSTM，所以 main2.m 的总耗时通常是 main1.m 的几十倍，这很正常。如果数据量在几千条、种群设 10 个、迭代 20 次，跑几个小时是常见的事。你不需要每次实验都跑完整优化，先把 main1 跑通拿到基线，再让 main2 去搜索才有对照意义。

4. 改进鲸鱼算法怎么作用到 BILSTM：fitness、初始化与收敛曲线

4.1 鲸鱼算法的三种更新机制，代码里怎么对应

标准鲸鱼优化算法（WOA）模拟座头鲸的捕食行为，位置更新有三种机制：收缩包围、螺旋气泡网、随机搜索。到代码层面，initialization.m 负责生成初始种群，Bounds.m 限制搜索边界，真正的位置更新逻辑按迭代次数循环，每轮根据概率 p 选择走螺旋更新还是包围策略。

这份资源叫 IWOA，改进点通常落在收敛因子 a 的衰减方式上。标准 WOA 里 a 从 2 线性降到 0，改进版常用非线性衰减替代，让算法前期保持较强探索能力、后期加快收敛。我复现过不少这类改进代码，最常见的就是下面这个区别。

% 标准 WOA：a 随迭代线性下降 a = 2 - 2 * t / Max_iteration; % IWOA 常见改法：余弦非线性衰减，前期探索更长，后期收敛更陡 a = 2 * cos(pi * t / (2 * Max_iteration));

这个改动的好处从收敛曲线上很容易看出来：标准 WOA 的 fitness 曲线前期掉得快、后期容易卡在平台期；非线性衰减版本的前期下降略慢，但后期往往能压到更低。你在 huatu.m 里看到的那条收敛曲线就是判断这个 IWOA 改进是否有效的直接证据。如果曲线是平滑单调下降且最终平稳，说明搜索过程健康；如果中途出现上蹿下跳的尖峰，多半是个体越界或者 fitness 计算里出了 NaN，要回查数据预处理。

4.2 fitness.m 的返回逻辑：训练一轮，换一个误差

fitness.m 是整个优化环节的裁判。鲸鱼算法里的每个个体都是一组四维坐标，fitness 函数把这组坐标解码成训练超参，训练一个临时网络，在测试集上算误差，误差就是适应度值，IWOA 靠它判断哪组超参值得保留。下面是这类代码包里 fitness.m 的典型实现。

% fitness.m 适应度函数：超参 -> 训练 -> 返回 RMSE function fit = fitness(x) load data_pro.mat; % 载入预处理后的数据 maxEpochs = round(x(1)); % 迭代次数，取整 hiddenUnits = round(x(2)); % 隐藏层节点，取整 learnRate = x(3); % 学习率 l2Factor = x(4); % L2 正则化 net = forlstm(train_x, train_y, hiddenUnits, maxEpochs, learnRate, l2Factor); y_pred = predict(net, test_x); % 反归一化回原始量纲再算误差，避免 [0,1] 尺度掩盖真实差距 y_pred = mapminmax('reverse', y_pred', ps)'; y_true = mapminmax('reverse', test_y, ps); fit = sqrt(mean((y_true - y_pred).^2)); % RMSE，越小越好 end

注意几个细节。隐藏层节点和迭代次数是整数维度，必须 round 取整，否则传给 bilstmLayer 的 hiddenUnits 会出现非法值。预测结果必须先反归一化再算 RMSE，因为在 [0,1] 区间上的误差会被人为缩小，两组模型的区分度变差。fitness.m 是整个程序里最耗时的位置，IWOA 每评估一个个体就要从头训练一次网络，所以种群规模和迭代次数直接决定总耗时，调试阶段建议先设 5 个个体、5 次迭代跑通验证，再逐步扩大。

4.3 从收敛曲线到 R2、MAE、MSE、RMSE：结果文件怎么读

优化跑完，main2.m 会把最优模型的结果存进 IWOA-BILSTM.mat，main1.m 存 BILSTM.mat。huatu.m 载入这两个文件后做三件事：画出两条预测曲线与真实值的对比、画出误差分布、画出 IWOA 的收敛曲线。result.m 负责把评价指标汇总成表格。这套资源里指标函数单独拆成了 R2.m 和 NSE.m，说明作者在意的不只是拟合精度，还有模型对动态过程的还原能力。

我每次跑完都会先看 R2 再看 RMSE，两个指标一起判断。R2 高但 RMSE 也高，说明模型拟合趋势好但绝对偏差大，可能是数据里存在离群点；两个指标同时好，再看收敛曲线末段的 fitness 值是否还在下降，如果还在明显下降，说明迭代次数设小了，最优超参还没搜到。这套判断顺序能帮你从结果文件里读出比数字更多的信息。

5. 踩坑记录：跑这套代码最常见的五个翻车点

5.1 现象：预测曲线是一条斜线，或整体偏移

第一次跑通 main1.m，画出来的预测值可能是一条在真实值附近缓慢爬升的斜线，形状怎么都不对。原因几乎都出在反归一化环节：预测是在 [0,1] 区间上算的，输出时忘了用 mapminmax('reverse', ...) 还原，或者还原用的 ps 与训练时不一致。解决方法是检查 main1.m 里预测之后是否调用了保存下来的 ps，并且确认 ps 来自 data_process.m 里 fit 的那一次 mapminmax，不是又重新对预测值做了一次归一化。我自己的习惯是预测完之后立刻执行 reverse，并且把还原后的结果与 test_y 的真实量纲画在同一张图里目检一次，这一步最省时间。

5.2 现象：trainNetwork 报维度错误，Error using trainNetwork

训练时报维度对不上，多半是 train_x 的格式问题。sequenceInputLayer 要求的输入是 cell 数组，每个 cell 元素是「特征数 × 序列长度」的矩阵，不是普通矩阵直接传入。常见误用是 data_process.m 里把 X 拼成二维矩阵就丢给 forlstm.m。解决方法是先确认 train_x 是否被 num2cell 转换过，或者用 size(train_x{1}) 检查每个样本的维度是否符合 numFeatures × lookback。如果用的是矩阵形式，把训练和测试输入都转成 cell，标签保持数值向量即可。

5.3 现象：main2.m 跑很久不出结果，优化像黑匣子

IWOA-BILSTM 的搜索过程每评估一组超参就完整训练一次网络，种群 20、迭代 30 就意味着最多 600 次 LSTM 训练，跑几个小时甚至过夜都是可能的。如果跑到一半看似卡住，先别急着杀进程，看命令窗口有没有迭代进度输出。如果完全没有输出，检查 main2.m 里 Verbose 是否设置、fitness.m 里是否有 disp 或 waitbar。调试阶段先把 SearchAgents_no 和 Max_iteration 调小到 5 和 5，确认每组超参都能在可接受时间内返回一个有限数值的 fitness，再扩大搜索规模。我用这个方式排查过，多数「卡死」其实是搜索空间太大导致单轮训练过慢，而不是程序死循环。

5.4 现象：找不到 bilstmLayer 函数，Undefined function

在旧版本 MATLAB 上运行，最典型的就是 bilstmLayer 无法识别。bilstmLayer 在 R2019a 的 Deep Learning Toolbox 里才正式提供，如果版本低于这个或者工具箱未安装，MATLAB 会直接报未定义函数。解决方式有两个：优先升级到 2019 及以上并确认 Deep Learning Toolbox 已安装；如果环境受限，只能用 lstmLayer 配合 fliplr 手工构造双向结构的替代方案，但要注意这种做法的梯度回传与原生 bilstmLayer 并不完全等价。这个资源明确要求 2019 以上版本，本质就是因为原生的双向层调用省掉了很多手工拼接的脏活。

5.5 现象：R2 高到 0.99，但换一段数据后效果崩塌

测试集上 R2 高达 0.99 看起来很完美，换个时间段数据就全线崩溃，这属于典型的数据泄漏。最常见的泄漏源是归一化时机错误：如果用整段序列的统计量做 mapminmax、然后再划分训练测试集，测试集的分布信息已经在归一化时被模型间接看到，R2 虚高是必然的。正确做法是先划分原始序列的训练段与测试段，再分别对训练段做归一化拟合 ps，测试段用同一个 ps 转换，而不是整体归一化后再切分。检查方式很简单：把 main1.m 里归一化的先后顺序打印出来，确认 data_process.m 里 xlsread 之后是先划分再归一化，还是先归一化再划分。如果是后者，把流程顺序调过来，R2 会掉到正常水平，但这才是真实泛化能力。

6. 替换自己的数据：从 Excel 清洗到四个超参微调的一遍流程

拿到这套代码，最常用的动作是换自己的数据跑一遍。第一步，把数据集.xlsx 里的内容替换成你自己的单变量序列，只留一列数值，不要带表头和日期列，xlsread 在带格式的 Excel 上偶尔会读出 NaN，纯数值最省事。第二步，打开 data_process.m 调 lookback，如果你的数据有明显日周期就设 7、月周期设 30，不确定就先设 12 跑一次看训练曲线。第三步，改 Bounds.m 里的四个边界：学习率上限保持 0.1 以内，隐藏层节点上限按数据长度缩水，几百条数据就设 100 以下，几千条可以放宽到 200。第四步，按 main1 → main2 → huatu 的顺序跑，先拿 main1 的 R2 和 RMSE 当基线，再对照 main2 的改进幅度。

这套流程在 SOC 电池荷电状态预测、气象温度预报、电力负荷这类单变量时序数据上都能直接用。数据量不足时，优先压缩隐藏层节点而不是加大迭代次数，双向层的过拟合速度比单向快不少。如果你后续要把 MATLAB 这套逻辑迁到 Python，结构上是把 bilstmLayer 对应 PyTorch 的 torch.nn.LSTM 加 bidirectional=True，但要注意 PyTorch 的输入格式是「序列长度 × 批次 × 特征数」，和 MATLAB 的「特征数 × 序列长度」是转置关系，很多人迁过去就卡在这。

从那以后，我每次拿到新的时序数据，都会强制自己先跑一遍 main1.m 拿到老老实实的基线，再让 IWOA 去搜超参，两边指标摆在同一张表上才敢下结论。如果跳过基线直接看优化结果，你根本不知道改进是鲸鱼算法的功劳，还是仅仅因为搜索到的手动超参本来就比拍脑袋的好。这份资源的价值也正在这里，它把对比实验的成本压到最低，希望帮到你。

本文还有配套的精品资源，点击获取