时序预测 - MATLAB实现CNN(卷积神经网络)时间序列预测（完整源码和数据）

%% 加载数据与数据集划分 clc;clear;close all load data nwhole=length(data); %计算数据长度 train_ratio=0.75; ntrain=round(nwhole*train_ratio); ntest =nwhole-ntrain+209; nntest=nwhole-ntrain; %% %准备训练数据 traindata= data(1:ntrain); utrain=ntrain-209; input_train=zeros(209,utrain); for i=1:utrain input_train(:,i)=traindata(i:i+208)'; end output_train=zeros(1,utrain); for i=1:utrain output_train(:,i)=traindata(i+209:i+209)'; end %准备测试数据 testdata=data(end-ntest+1:end); utest=ntest-209; input_test=zeros(209,utest); for i=1:utest input_test(:,i)=testdata(i:i+208)'; end output_test=zeros(1,utest); for i=1:utest output_test(:,i)=testdata(i+209:i+209)'; end %% 归一化（全部特征 均归一化） [inputn_train,inputps]=mapminmax(input_train); [outputn_train,outputps]=mapminmax(output_train); inputn_test=mapminmax('apply',input_test,inputps); outputn_test=mapminmax('apply',output_test,outputps); inputn =[inputn_train inputn_test]; outputn=[outputn_train outputn_test]; %% 数据的一个转换，转换成MATLAB的CNN的输入数据形式，是4-D形式的，最后一维就是样本数 %训练集输入 trainD=reshape(inputn_train, [209,1,1,size(inputn_train,2)]); %测试集输入 testD =reshape(inputn_test, [209,1,1,size(inputn_test,2)]); %% CNN模型建立 layers = [ imageInputLayer([209 1 1]) %输入层参数设置 convolution2dLayer(3,16,'Padding','same')%卷积层的核大小、数量，填充方式 reluLayer %relu激活函数 fullyConnectedLayer(384) % 384 全连接层神经元 fullyConnectedLayer(384) % 384 全连接层神经元 fullyConnectedLayer(1) % 输出层神经元 regressionLayer]; % 添加回归层，用于计算损失值 %% 模型训练与测试 options = trainingOptions('adam', ... 'MaxEpochs',20, ... 'MiniBatchSize',16, ... 'InitialLearnRate',0.005, ... 'GradientThreshold',1, ... 'Verbose',false,... 'Plots','training-progress',... 'ValidationData',{testD,outputn_test'}); % 训练 CNNnet = trainNetwork(trainD,outputn_train',layers,options); %% CNN测试数据 %% %网络测试输出 CNNoutputr_test = predict(CNNnet,testD); CNNoutputr_test = double(CNNoutputr_test'); %网络输出反归一化 CNNoutput_test= mapminmax('reverse',CNNoutputr_test,outputps); CNNoutput_test=double(CNNoutput_test); otest1=CNNoutput_test(1,1:end-1); otest2=CNNoutput_test(:,end)'; CNNoutputnew_test=[otest1 otest2]; output_test=testdata(end-nntest+1:end)'; %% 误差评价 %-------------------------------------------------------------------------- CNNerror_test=CNNoutput_test'-output_test'; CNNpererror_test=CNNerror_test./output_test'; CNNpererror_test=filloutliers(CNNpererror_test,'spline'); CNNpererror_test(abs(CNNpererror_test)>1)=0; % R Rtest21=sum((output_test -mean(output_test)).*( CNNoutput_test - mean(CNNoutput_test))); Rtest22=sqrt(sumsqr(output_test -mean(output_test)).*sumsqr(CNNoutput_test - mean(CNNoutput_test))); Rtest = Rtest21/Rtest22; % RMSE RMSEtest = sqrt(sumsqr(CNNerror_test)/length(output_test)); % MAPE MAPEtest = mean(abs(CNNpererror_test)); disp("——————CNN网络模型测试数据——————————") disp(" 预测值 真实值 误差 ") disp([CNNoutput_test' output_test' CNNerror_test]) %-------------------------------------------------------------------------- disp('CNN测试相关系数R2'); disp(Rtest) disp('CNN测试平均绝对误差百分比MAPE'); disp(MAPEtest) disp('CNN测试均方根误差RMSE') disp(RMSEtest) %-------------------------------------------------------------------------- %% 数据可视化 %------------------------------------------------------------------------------------- figure() plot(CNNoutput_test,'r:.') hold on plot(output_test,'k-') legend( '测试数据','实际数据','Location','NorthWest','FontName','华文宋体'); title('CNN模型测试结果及真实值','fontsize',12,'FontName','华文宋体') xlabel('时间','fontsize',12,'FontName','华文宋体'); ylabel('数值','fontsize',12,'FontName','华文宋体'); axis tight %------------------------------------------------------------------------------------- figure() stem(CNNerror_test,'filled','Color',[128 0 0]./255,'linewidth',1,'Markersize',3) legend('CNN模型测试误差','Location','NorthEast','FontName','华文宋体') title('CNN模型测试误差','fontsize',12,'FontName','华文宋体') ylabel('误差','fontsize',12,'FontName','华文宋体') xlabel('样本','fontsize',12,'FontName','华文宋体') axis tight %------------------------------------------------------------------------------------- figure() stairs(CNNpererror_test,'-','Color',[128 0 255]./255,'linewidth',1) legend('CNN模型测试相对误差','Location','NorthEast','FontName','华文宋体') title('CNN模型测试相对误差','fontsize',12,'FontName','华文宋体') ylabel('误差','fontsize',12,'FontName','华文宋体') xlabel('样本','fontsize',12,'FontName','华文宋体') axis tight %-------------------------------------------------------------------------------------