时序预测 | MATLAB实现基于CNN卷积神经网络的时间序列预测-递归预测未来(多指标评价)_cnn预测

时序预测 | MATLAB实现基于CNN卷积神经网络的时间序列预测-递归预测未来(多指标评价)

预测结果

基本介绍

1.Matlab实现CNN卷积神经网络时间序列预测未来；
2.运行环境Matlab2018及以上，data为数据集，单变量时间序列预测；
3.递归预测未来数据，可以控制预测未来大小的数目，适合循环性、周期性数据预测；
4.命令窗口输出R2、MAE、MAPE、MBE、MSE等评价指标。
运行环境Matlab2018及以上。
程序乱码是由于Matlab版本不一致造成的，处理方式如下：
先重新下载程序，随后，如main.m文件出现乱码，则在（桌面的）文件夹中找到目标文件main.m。右击选择打开方式为文本文档（txt），查看文档是否乱码，通常不乱码。
则删除Matlab中的main.m的全部代码，将文本文档中不乱码的代码复制到Matlab中的main.m中。

程序设计

• 完整程序和数据获取方式1：私信博主回复MATLAB实现基于CNN卷积神经网络的时间序列预测-递归预测未来(多指标评价)，同等价值程序兑换；
• 完整程序和数据下载方式2(资源处直接下载)：MATLAB实现基于CNN卷积神经网络的时间序列预测-递归预测未来(多指标评价)；
• 完整程序和数据下载方式3(订阅《CNN卷积神经网络》专栏，同时可阅读《CNN卷积神经网络》专栏内容，数据订阅后私信我获取)：MATLAB实现基于CNN卷积神经网络的时间序列预测-递归预测未来(多指标评价)，专栏外只能获取该程序。

%% 创建混合网络架构
% 输入特征维度
numFeatures  = f_;
% 输出特征维度
numResponses = 1;
FiltZise = 10;
%  创建模型
    layers = [...
        % 输入特征
        sequenceInputLayer([numFeatures 1 1],'Name','input')
        sequenceFoldingLayer('Name','fold')
        % 特征学习
        (50,'Name','lstm1','RecurrentWeightsInitializer','He','InputWeightsInitializer','He')
       
        (optVars.NumOfUnits,'OutputMode',"last",'Name','bil4','RecurrentWeightsInitializer','He','InputWeightsInitializer','He')
        dropoutLayer(0.25,'Name','drop3')
        % 全连接层
        fullyConnectedLayer(numResponses,'Name','fc')
        regressionLayer('Name','output')    ];

    layers = layerGraph(layers);
    layers = connectLayers(layers,'fold/miniBatchSize','unfold/miniBatchSize');

%% 训练选项
% 批处理样本
MiniBatchSize =128;
% 最大迭代次数
MaxEpochs = 500;
    options = trainingOptions( 'adam', ...
        'MaxEpochs',500, ...
        'GradientThreshold',1, ...
        'InitialLearnRate',optVars.InitialLearnRate, ...
        'LearnRateSchedule','piecewise', ...
        'LearnRateDropPeriod',400, ...
        'LearnRateDropFactor',0.2, ...
        'L2Regularization',optVars.L2Regularization,...
        'Verbose',false, ...
        'Plots','none');

%% 训练混合网络
net = trainNetwork(XrTrain,YrTrain,layers,options);

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42

参考资料

[1] https://blog.csdn.net/kjm13182345320/article/details/129036772?spm=1001.2014.3001.5502
[2] https://blog.csdn.net/kjm13182345320/article/details/128690229