1.算法运行效果图预览
(完整程序运行后无水印)
3.部分核心程序
（完整版代码包含详细中文注释和操作步骤视频）
................................................................ %最大迭代次数 paramters.maxiter = 50; paramters.train_booster ='gbtree'; paramters.objective ='reg:linear'; %最大深度 paramters.depth_max = round(X(1)); %学习率 paramters.learn_rate = X(2); %最小叶子 paramters.min_child = round(X(3)); %采样 paramters.subsample = X(4); paramters.colsample_bytree = 1; paramters.num_parallel_tree = 1; %Xgboost训练 Nets = func_Xgboost_train(Xtrain_norm, Ytrain_norm, paramters); %预测 Pred_trainy = func_Xgboost_test(Nets,Xtrain_norm); Pred_testy = func_Xgboost_test(Nets,Xtest_norm); %反归一化 Pred_trainy2 = Pred_trainy.*max(Ytrain)+Ym; Pred_testy2 = Pred_testy.*max(Ytrain)+Ym; figure; plot(Ytrain,'r') hold on plot(Pred_trainy2,'b') xlabel('NO.') ylabel('时间序列预测结果') title('XGBoost训练集效果') legend('真实值','预测值') grid onfigure; plot(Ytest,'r') hold on plot(Pred_testy2,'b') xlabel('NO.') ylabel('时间序列预测结果') title('XGBoost测试集效果') legend('真实值','预测值') grid onrmse = mean((Pred_testy2(:)-Ytest(:)).^2);% 计算均方根误差 rmsesave R2.mat Pred_testy2 Ytest rmse 213
4.算法理论概述
序列预测在金融、气象、工业控制等领域具有广泛应用，其核心目标是通过历史数据推断未来趋势。传统的时间序列预测方法如 ARIMA、LSTM 等在处理非线性、高维数据时存在局限性。XGBoost（Extreme Gradient Boosting）作为一种高效的梯度提升框架，在结构化数据预测中表现优异，但其性能高度依赖超参数的选择。GWO具有较强的全局搜索能力，能够在复杂搜索空间中快速找到全局最优解。将GWO与XGBoost结合，可自动优化模型超参数，提升序列预测精度。
