Matlab 基于卷积神经网络(CNN)的时间序列预测 CNN时间序列

%% 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 %% 划分训练集和测试集 temp = 1: 1: 922; P_train = res(temp(1: 700), 1: 15)'; T_train = res(temp(1: 700), 16)'; M = size(P_train, 2); P_test = res(temp(701: end), 1: 15)'; T_test = res(temp(701: end), 16)'; 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, 15, 1, 1, M)); p_test = double(reshape(p_test , 15, 1, 1, N)); t_train = double(t_train)'; t_test = double(t_test )'; %% 构造网络结构 layers = [ imageInputLayer([15, 1, 1]) % 输入层 输入数据规模[15, 1, 1] convolution2dLayer([3, 1], 16, 'Stride', [1, 1], 'Padding', 'same') % 卷积核大小 3 * 1 生成 16 张特征图 batchNormalizationLayer % 批归一化层 reluLayer % Relu激活层 convolution2dLayer([3, 1], 32, 'Stride', [1, 1], 'Padding', 'same') % 卷积核大小 3 * 1 生成 32 张特征图 batchNormalizationLayer % 批归一化层 reluLayer % Relu激活层 fullyConnectedLayer(1) % 全连接层 regressionLayer]; % 回归层 %% 参数设置 options = trainingOptions('adam', ... % Adam 梯度下降算法 'MaxEpochs', 800, ... % 最大训练次数 800 'InitialLearnRate', 5e-3, ... % 初始学习率为 0.005 'LearnRateSchedule', 'piecewise', ... % 学习率下降 'LearnRateDropFactor', 0.1, ... % 学习率下降因子 0.1 'LearnRateDropPeriod', 600, ... % 经过 600 次训练后 学习率为 0.005 * 0.1 'Shuffle', 'every-epoch', ... % 每次训练打乱数据集 'Plots', 'training-progress', ... % 画出曲线 'Verbose', false); %% 训练模型 net = trainNetwork(p_train, t_train, layers, options); %% 模型预测 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); %% 绘制网络分析图 analyzeNetwork(layers) %% 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)]) %% 绘制散点图 sz = 25; c = 'b'; figure scatter(T_train, T_sim1, sz, c) 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, c) 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')