1. 研究背景时间序列预测在金融、气象、工业控制等领域具有广泛应用。传统方法如 ARIMA难以处理非线性、多变量数据。极限学习机ELM作为一种单隐层前馈神经网络具有训练速度快、泛化能力强的优点但单一模型容易过拟合或不稳定。BaggingBootstrap Aggregating通过集成多个弱学习器ELM提高模型的稳定性和预测精度。因此ELM-Bagging 成为一种有效的多变量时序预测方法。2. 主要功能从 Excel 文件中读取多变量时间序列数据使用滑动窗口构造输入输出样本划分训练集与测试集对输入特征进行归一化训练多个 ELM 弱学习器通过自助采样对训练集和测试集进行集成预测平均法计算多种评价指标R²、RMSE、MAE、MAPE、RPD 等绘制多种可视化图表预测对比、误差图、拟合图、直方图等。3. 算法步骤数据读取与预处理读取 Excel 数据构造时序样本数据集划分按时间顺序划分训练集和测试集归一化对输入特征进行 [0,1] 归一化Bagging 训练对训练集进行有放回抽样Bootstrap每个子集训练一个 ELM 模型集成预测每个 ELM 对样本进行预测取所有模型预测值的平均值作为最终预测评价与可视化计算指标并绘制图表。4. 技术路线数据层Excel 数据输入滑动窗口构造样本模型层多个 ELM 弱学习器随机生成输入权重集成层Bagging 策略平均法集成评估层多指标评估 可视化输出。5. 公式原理ELM 模型原理输入层到隐层权重WWW和偏置bbb随机生成隐层输出矩阵Hg(XWb)H g(XW b)Hg(XWb)输出层权重βH†Y\beta H^\dagger YβH†Y其中H†H^\daggerH†为 Moore-Penrose 广义逆。Bagging 集成从训练集DDD中有放回抽样生成mmm个子集DiD_iDi​在每个子集上训练一个 ELM 模型fif_ifi​最终预测y^1m∑i1mfi(x)\hat{y} \frac{1}{m} \sum_{i1}^{m} f_i(x)y^​m1​∑i1m​fi​(x)。6. 参数设定参数名值说明kim2输入延时步长zim1预测步长num_size0.7训练集比例num_learners50Bagging 弱学习器个数hidden_neurons30隐层神经元数量activationsigmoid激活函数类型rng(42)固定种子保证结果可复现7. 运行环境MATLAB 2018b 及以上版本8. 应用场景金融时间序列预测如股票价格、汇率工业过程监控与故障预测气象与环境数据预测如温度、空气质量能源负荷预测如电力、用水量多传感器数据融合与预测。总结该代码实现了一个完整的多变量时序预测流程结合 ELM 的快速训练与 Bagging 的稳定性适合处理中小规模、非线性、多变量的时间序列数据。代码结构清晰易于扩展和替换模型适合科研和工程应用。原始样本数1500重构后样本数1498每个样本的输入维度10输出维度1训练集样本数1049测试集样本数449ELM-Bagging参数弱学习器数50隐层神经元30激活函数sigmoid 已完成10/50个弱学习器训练 已完成20/50个弱学习器训练 已完成30/50个弱学习器训练 已完成40/50个弱学习器训练 已完成50/50个弱学习器训练 所有弱学习器训练完成。训练集评价指标R²0.9790RMSE77.3586MSE5984.3508MAE57.5320MAPE1.58% RPD6.8976测试集评价指标R²0.9729RMSE93.5958MSE8760.1744MAE72.7073MAPE2.07% RPD6.3082完整代码私信回复MATLAB实现基于极限学习机结合Bagging 集成学习ELM-Bagging的多变量时间序列预测