BiLSTM时序预测BiLSTM时序预测

%%%%%%%%%%%%%%%%公众号：创新优化及预测代码 %% 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 %% 导入数据（时间序列的单列数据） result = xlsread('数据集.xlsx'); %% 数据分析 num_samples = length(result); % 样本个数 kim = 15; % 延时步长（kim个历史数据作为自变量） zim = 1; % 跨zim个时间点进行预测 %% 划分数据集 for i = 1: num_samples - kim - zim + 1 res(i, :) = [reshape(result(i: i + kim - 1), 1, kim), result(i + kim + zim - 1)]; end %% 数据集分析 outdim = 1; % 最后一列为输出 num_size = 0.7; % 训练集占数据集比例 num_train_s = round(num_size * num_samples); % 训练集样本个数 f_ = size(res, 2) - outdim; % 输入特征维度 %% 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 % 将数据平铺成1维数据只是一种处理方式 % 也可以平铺成2维数据，以及3维数据，需要修改对应模型结构 % 但是应该始终和输入层数据结构保持一致 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 : M p_train{i, 1} = P_train(:, :, 1, i); end for i = 1 : N p_test{i, 1} = P_test( :, :, 1, i); end %% 创建模型 layers = [ sequenceInputLayer(f_) % 建立输入层 bilstmLayer(10, 'OutputMode', 'last') % biLSTM层 reluLayer % Relu激活层 fullyConnectedLayer(1) % 全连接层 regressionLayer]; % 回归层 options = trainingOptions('adam', ... % 优化算法Adam 'MaxEpochs', 300, ... % 最大训练次数 'GradientThreshold', 1, ... % 梯度阈值 'InitialLearnRate', 5e-3, ... % 初始学习率 'LearnRateSchedule', 'piecewise', ... % 学习率调整 'LearnRateDropPeriod', 250, ... % 训练250次后开始调整学习率 'LearnRateDropFactor',0.1, ... % 学习率调整因子 'L2Regularization', 1e-4, ... % 正则化参数 'ExecutionEnvironment', 'auto',... % 训练环境 'Verbose', false, ... % 关闭优化过程 'Plots', 'training-progress'); % 画出曲线 %% 训练模型 net = trainNetwork(p_train, t_train, layers, options); %% 仿真预测 t_sim1 = predict(net, p_train); t_sim2 = predict(net, p_test ); %% 数据反归一化 T_sim1 = mapminmax('reverse', t_sim1, ps_output); T_sim2 = mapminmax('reverse', t_sim2, ps_output); %% 均方根误差 error1 = sqrt(sum((T_sim1' - T_train).^2) ./ M); error2 = sqrt(sum((T_sim2' - T_test ).^2) ./ N); %% 查看网络结构 analyzeNetwork(net) %% 绘图 figure plot(1: M, T_train, 'r-', 1: M, T_sim1, 'b-', 'LineWidth', 1) legend('真实值', '预测值') xlabel('预测样本') ylabel('预测结果') string = {'训练集预测结果对比'; ['RMSE=' num2str(error1)]}; title(string) xlim([1, M]) grid figure plot(1: N, T_test, 'r-', 1: N, T_sim2, 'b-', 'LineWidth', 1) legend('真实值', '预测值') xlabel('预测样本') ylabel('预测结果') string = {'测试集预测结果对比'; ['RMSE=' num2str(error2)]}; title(string) xlim([1, N]) grid %% 相关指标计算 % R2 R1 = 1 - norm(T_train - T_sim1')^2 / norm(T_train - mean(T_train))^2; R2 = 1 - norm(T_test - T_sim2')^2 / norm(T_test - mean(T_test ))^2; disp(['训练集数据的R2为：', num2str(R1)]) disp(['测试集数据的R2为：', num2str(R2)]) % MAE mae1 = sum(abs(T_sim1' - T_train)) ./ M ; mae2 = sum(abs(T_sim2' - T_test )) ./ N ; disp(['训练集数据的MAE为：', num2str(mae1)]) disp(['测试集数据的MAE为：', num2str(mae2)]) % MBE mbe1 = sum(T_sim1' - T_train) ./ M ; mbe2 = sum(T_sim2' - T_test ) ./ N ; disp(['训练集数据的MBE为：', num2str(mbe1)]) disp(['测试集数据的MBE为：', num2str(mbe2)]) % MAPE mape1 = sum(abs((T_sim1' - T_train)./T_train)) ./ M ; mape2 = sum(abs((T_sim2' - T_test )./T_test )) ./ N ; disp(['训练集数据的MAPE为：', num2str(mape1)]) disp(['测试集数据的MAPE为：', num2str(mape2)]) %% 绘制散点图 sz = 50; figure scatter(T_train, T_sim1, sz, "magenta") hold on plot(xlim, ylim, '--k') xlabel('训练集真实值'); ylabel('训练集预测值'); xlim([min(T_train) max(T_train)]) ylim([min(T_sim1) max(T_sim1)]) title('训练集预测值 vs. 训练集真实值') figure scatter(T_test, T_sim2, sz, "blue") hold on plot(xlim, ylim, '--k') xlabel('测试集真实值'); ylabel('测试集预测值'); xlim([min(T_test) max(T_test)]) ylim([min(T_sim2) max(T_sim2)]) title('测试集预测值 vs. 测试集真实值') %%%%%%%%%%%%%%%%公众号：创新优化及预测代码