时序预测 - MATLAB实现BiLSTM时间序列未来多步预测（完整源码和数据）

%双向长短时记忆的神经网络BiLSTM多步预测 clc;clear; warning off; %导入数据 data= xlsread('datatimen.xls', 'sheet1', 'B2:B116'); lag1=10; lag2=100; %计算数据长度 n=length(data); u=n-lag1-lag2+1; %% %准备输入和输出训练数据 input_train=zeros(lag1,u); for i=1:u input_train(:,i)=data(i:i+lag1-1)'; end output_train=zeros(lag2,u); for i=1:u output_train(:,i)=data(i+lag1:i+lag1+lag2-1)'; end %% 归一化（全部特征 均归一化） [inputn,inputps]=mapminmax(input_train); [outputn,outputps]=mapminmax(output_train); %% BiLSTM 层设置，参数设置 inputSize = size(inputn,1); %数据输入x的特征维度 outputSize = size(outputn,1); %数据输出y的维度 numhidden_units1=50; numhidden_units2=300; numhidden_units3=100; %% bilstm layers = [ ... sequenceInputLayer(inputSize) %输入层设置 bilstmLayer(numhidden_units1,'name','hidden1') %隐藏层学习层设置(cell层） dropoutLayer(0.2,'name','dropout_1') %隐藏层权重丢失率，防止过拟合 bilstmLayer(numhidden_units2,'Outputmode','sequence','name','hidden2')%隐藏层 dropoutLayer(0.3,'name','dropout_2') %隐藏层权重丢失率，防止过拟合 bilstmLayer(numhidden_units3,'name','hidden3') %隐藏层 dropoutLayer(0.2,'name','dropout_3') %隐藏层权重丢失率，防止过拟合 fullyConnectedLayer(outputSize) %全连接层设置（影响输出维度）（cell层出来的输出层） regressionLayer('name','out')]; %回归层（因为预测值为连续值，所以为回归层） %% trainoption(bilstm) opts = trainingOptions('adam', ... %优化算法 'MaxEpochs',800, ... %遍历样本最大循环数 'GradientThreshold',1,... %梯度阈值 'ExecutionEnvironment','cpu',... %运算环境 'InitialLearnRate',0.005, ... %初始学习率 'LearnRateSchedule','piecewise', ...% 学习率计划 'LearnRateDropPeriod',160, ... %epoch后学习率更新 'LearnRateDropFactor',0.8, ... %学习率衰减速度 'Verbose',0, ... %命令控制台是否打印训练过程 'Plots','training-progress'... %打印训练进度 ); %% 网络训练 tic net = trainNetwork(inputn,outputn,layers,opts); % 滚动预测 toc; [net,bn] = predictAndUpdateState(net,inputn); outputnn=mapminmax('reverse',bn,outputps); %% 测试数据 %导入测试数据 dat= data; la1=10; la2=100; nn=length(dat); uu=nn-la1-la2+1; %准备测试数据 input_test=zeros(la1,uu); for i=1:uu input_test(:,i)=dat(i:i+la1-1)'; end inputn_test=mapminmax('apply',input_test,inputps); %网络测试输出 [net,yBiLSTMoutput] = predictAndUpdateState(net,inputn_test); %网络输出反归一化 BiLSTMoutput= mapminmax('reverse',yBiLSTMoutput,outputps); o1=BiLSTMoutput(1,1:end-1); o2=BiLSTMoutput(:,end)'; BiLSTMoutputnew=[o1 o2]; output_test=dat(la1+1:nn)'; %% 未来预测 %输入单组数据进行网络测试 afBiLSTMoutputtest=dat(nn-la1+1:nn,1); afBiLSTMoutputtestn=mapminmax('apply',afBiLSTMoutputtest,inputps); %网络预测输出 [net,af] = predictAndUpdateState(net,afBiLSTMoutputtestn); %网络输出反归一化 afBiLSTMoutput=mapminmax('reverse',af,outputps); aaf=afBiLSTMoutput'; afBiLSTMoutnew=[o1 o2 aaf];%合并 %% 数据绘图 t0=1:n; t1=n-nn+la1+1:n; t2=n-nn+la1+1:n+la2; afBiLSTMoutnew=afBiLSTMoutnew(1:end); output_test=output_test(1:end); figure() plot(t1,output_test,':o','Color',[0 0 180]./255,'linewidth',0.8,'Markersize',4,'MarkerFaceColor',[0 0 180]./255); hold on plot(t2,afBiLSTMoutnew,'r:s','Color',[255 0 0]./255,'linewidth',0.8,'Markersize',5,'MarkerFaceColor',[255 0 0]./255) legend('期望输出','预测输出') title('BiLSTM网络预测输出','fontsize',12) ylabel('函数输出','fontsize',12) xlabel('样本','fontsize',12) h = gca; h.FontName = '华文宋体'; h.FontSize = 12; grid minor; axis tight %% 预测误差 %——————————————————————————————————————— error=BiLSTMoutputnew-output_test; figure() bar(error) title('BiLSTM网络预测误差','fontsize',12) ylabel('误差','fontsize',12) xlabel('样本','fontsize',12) h = gca; h.FontName = '华文宋体'; h.FontSize = 12; grid minor; axis tight %——————————————————————————————————————— figure() percentage=(error)./output_test; plot(percentage,'r:s','Color',[255 0 0]./255,'linewidth',0.8,'Markersize',5,'MarkerFaceColor',[255 0 0]./255); title('BiLSTM网络预测相对误差') ylabel('相对误差','fontsize',12) xlabel('样本','fontsize',12) h = gca; h.FontName = '华文宋体'; h.FontSize = 12; grid minor; axis tight %——————————————————————————————————————— E = mse(BiLSTMoutputnew - output_test); disp('MSE') disp(E) rmse = sqrt(mean((error).^2)); disp('RMSE') disp(rmse) MAE=sum(abs(error))/n; disp('MAE') disp(MAE) MAPE=sum(abs(percentage))/n; disp('MAPE') disp(MAPE)