%% 清空环境变量
close all
clc; clear
%% BP神经网络实现话务数据预测
%% 训练数据预测数据提取及归一化
%下载输入输出数据
load traindata1011NWP A O
load goontestNWP inputtest_may16 outputtest_may16
inputnum=7;hiddennum=7;outputnum=1; %4-5-1结构 编码长度31 7-5-1 46
for pp=1:5
%训练数据和预测数据
input_train=A(1:360,:)';
input_test=(inputtest_may16(1:24,:))';
output_train=(O(1:360)+pp*100)';
output_test=(outputtest_may16(1:24)+pp*100)';
%选连样本输入输出数据归一化
[inputn,inputps]=mapminmax(input_train);
[outputn,outputps]=mapminmax(output_train);
%% BP网络训练
%构建网络
net=newff(inputn,outputn,hiddennum,{'tansig','purelin'});
%网络进化参数
net.trainParam.epochs=100; %迭代次数，学习率，目标
net.trainParam.lr=0.1;
net.trainParam.goal=0.00001;
net.trainParam.show=100;
net.trainParam.showWindow=0;
%网络训练
net=train(net,inputn,outputn);
%% BP网络预测
%预测数据归一化
inputn_test=mapminmax('apply',input_test,inputps);
%网络预测输出
an=sim(net,inputn_test);
%网络输出反归一化
BPoutput=mapminmax('reverse',an,outputps);
%% 结果分析
figure
plot(BPoutput,'r-o','linewidth',2)
hold on
plot(output_test,':*','linewidth',2);
legend('预测输出','期望输出')
title(['第',num2str(pp),'月，BP网络话务量预测输出'])
ylabel('函数输出(W)','fontsize',12)
xlabel('样本(h)','fontsize',12)
%预测误差
error=BPoutput-output_test;
error1=(output_test-BPoutput)./BPoutput; %相对误差
figure
plot(error,'-*','linewidth',2)
title(['第',num2str(pp),'月，BP网络话务量预测误差'])
ylabel('误差','fontsize',12)
xlabel('样本','fontsize',12)
figure
plot(error1,'-*','linewidth',2);
title(['第',num2str(pp),'月，BP网络话务量预测误差百分比'])
ylabel('相对误差','fontsize',12)
xlabel('样本(h)','fontsize',12)
figure
hist(error1);
title(['第',num2str(pp),'月，BP神经网络预测误差频率分布直方图']);
MAE=(sum(abs(error1)))/24;%绝对平均误差 24对误差
RMSE=sqrt((sum(error1.^2))/24);%RMSE 均方根误差公式
% errorsum=sum(abs(error))
end
