[独家原创]基于分位数回归的Bayes-GRU多变量时序预测【区间预测】 (多输入单输出)Matlab代码
目录
- [独家原创]基于分位数回归的Bayes-GRU多变量时序预测【区间预测】 (多输入单输出)Matlab代码
- 效果一览
- 基本介绍
- 程序设计
- 参考资料
效果一览
基本介绍
[独家原创]基于分位数回归的Bayes-GRU多变量时序预测[区间预测] ( 多输入单输出) Matlab代码
matlab代码,替换数据直接使用! ! !数据格式为excel格式! 如下。
1、程序已调试好,无需更改代码,替换数据直接使用!数据格式为Excel!
2、区间预测:描述更多不确定信息,并包括变量重要性分析与误差曲线
注:
1、包括picp pinaw等区间预测指标,置信区间可根据需要调整。
2、赠送数据集(格式如下),可直接运行源程序出图
3、代码中文注释清晰,质量极高
程序设计
- 完整程序和数据获取方式私信博主回复**[独家原创]基于分位数回归的Bayes-GRU多变量时序预测【区间预测】 (多输入单输出)Matlab代码**。
%% 清空环境变量
warning off % 关闭报警信息
close all % 关闭开启的图窗
clear % 清空变量
clc % 清空命令行%% 划分训练集和测试集
P_train = res(1: num_train_s, 1: f_)';
T_train = res(1: num_train_s, f_ + 1: end)';
M = size(P_train, 2);P_test = res(num_train_s + 1: end, 1: f_)';
T_test = res(num_train_s + 1: end, f_ + 1: end)';
N = size(P_test, 2);%% 数据归一化
[P_train, ps_input] = mapminmax(P_train, 0, 1);
P_test = mapminmax('apply', P_test, ps_input);[t_train, ps_output] = mapminmax(T_train, 0, 1);
t_test = mapminmax('apply', T_test, ps_output);%% 数据平铺
P_train = double(reshape(P_train, f_, 1, 1, M));
P_test = double(reshape(P_test , f_, 1, 1, N));t_train = t_train';
t_test = t_test' ;%% 数据格式转换
for i = 1 : Mp_train{i, 1} = P_train(:, :, 1, i);
endfor i = 1 : Np_test{i, 1} = P_test( :, :, 1, i);
end%% 参数设置
options = trainingOptions('adam', ... % Adam 梯度下降算法'MaxEpochs', 100, ... % 最大训练次数 'InitialLearnRate', 0.01, ... % 初始学习率为0.01'LearnRateSchedule', 'piecewise', ... % 学习率下降'LearnRateDropFactor', 0.1, ... % 学习率下降因子 0.1'LearnRateDropPeriod', 70, ... % 经过训练后 学习率为 0.01*0.1'Shuffle', 'every-epoch', ... % 每次训练打乱数据集'Verbose', 1);
figure
subplot(2,1,1)
plot(T_train,'k--','LineWidth',1.5);
hold on
plot(T_sim_a','r-','LineWidth',1.5)
legend('真实值','预测值')xlabel('样本点')
ylabel('数值')
subplot(2,1,2)
bar(T_sim_a'-T_train)disp('…………测试集误差指标…………')
[mae2,rmse2,mape2,error2]=calc_error(T_test,T_sim_b');
fprintf('\n')figure
subplot(2,1,1)
plot(T_test,'k--','LineWidth',1.5);
hold on
plot(T_sim_b','b-','LineWidth',1.5)
legend('真实值','预测值')
参考资料
[1] https://blog.csdn.net/kjm13182345320/article/details/127931217
[2] https://blog.csdn.net/kjm13182345320/article/details/127418340