快捷導(dǎo)航

Matlab實現(xiàn)時間序列預(yù)測分類實例代碼

更新時間：2021年07月31日 10:24:27 作者：極客范兒

時間序列是按時間順序排列的、隨時間變化且相互關(guān)聯(lián)的數(shù)據(jù)序列,這篇文章主要給大家介紹了關(guān)于Matlab實現(xiàn)時間序列預(yù)測分類的相關(guān)資料,需要的朋友可以參考下

一、數(shù)據(jù)準(zhǔn)備

極客范兒在夏天吹電扇的體溫變化

時間	風(fēng)速	溫度
0	1	37.21405
0.12457	1.01	37.26016
0.24915	1.02	37.26324
0.37373	1.03	37.31242
0.4983	1.04	37.3155
0.62258	1.05	37.36468
0.74745	1.06	37.36776
0.87203	1.07	37.41694
0.99661	1.08	37.42002
…	…	…

% 原始數(shù)據(jù)讀入到Matlab中
rawData=xlsread('time_series_data.xlsx','sheet1','A2:C52);
% 第一列時間，第二列風(fēng)速，第三列溫度
% yt第三列
y_t=rawData(:,3);
% xt第二列
x_t=rawData(:,2);

二、時間序列預(yù)測分類

時間序列預(yù)測分為三類：

1、輸入為xt，輸出是yt

即有過去的輸入xt，也有過去的輸出yt，同時當(dāng)前的輸出不僅依賴于過去的輸入，也同時依賴于過去的輸出

過去時間段溫度的變化，預(yù)測將來某個時間溫度的變化，這種情況就是只有過去的輸出

%   x_t - 時間序列輸入
%   y_t - 反饋時間序列

X = tonndata(x_t,false,false);
T = tonndata(y_t,false,false);

% 選擇訓(xùn)練功能
% 'trainlm'通常是最快
% 'trainbr'耗時較長，但可能更適合解決挑戰(zhàn)性的問題
% 'trainscg'使用更少的內(nèi)存。適用于低內(nèi)存情況
trainFcn = 'trainlm';  % Levenberg-Marquardt反向傳播

% 創(chuàng)建一個非線性自回歸網(wǎng)絡(luò)
feedbackDelays = 1:6;
hiddenLayerSize = 20;
net = narnet(feedbackDelays,hiddenLayerSize,'open',trainFcn);

% 為訓(xùn)練和模擬準(zhǔn)備數(shù)據(jù)
% PREPARETS函數(shù)為特定網(wǎng)絡(luò)準(zhǔn)備時間序列數(shù)據(jù)
% 移動時間的最小量，以聲明填充輸入狀態(tài)和層
% 使用PREPARETS允許保留原始的時間序列數(shù)據(jù)不變,同時輕松定制它的網(wǎng)絡(luò)與不同
% 具有開環(huán)或閉環(huán)反饋模式的延遲數(shù)
[x,xi,ai,t] = preparets(net,{},{},T);

% 建立訓(xùn)練，驗證，測試的數(shù)據(jù)
net.divideParam.trainRatio = 70/100;
net.divideParam.valRatio = 15/100;
net.divideParam.testRatio = 15/100;

% 訓(xùn)練靜態(tài)神經(jīng)網(wǎng)絡(luò) 
[net,tr] = train(net,x,t,xi,ai);

% 測試神經(jīng)網(wǎng)絡(luò)
y = net(x,xi,ai);
e = gsubtract(t,y);
performance = perform(net,t,y)

% 查看神經(jīng)網(wǎng)絡(luò)
view(net)

% Plots
% Uncomment these lines to enable various plots.
%figure, plotperform(tr)
%figure, plottrainstate(tr)
%figure, ploterrhist(e)
%figure, plotregression(t,y)
%figure, plotresponse(t,y)
%figure, ploterrcorr(e)
%figure, plotinerrcorr(x,e)

% 提前預(yù)測網(wǎng)絡(luò)
% 利用該網(wǎng)絡(luò)進(jìn)行多步預(yù)測
% CLOSELOOP函數(shù)將反饋輸入替換為直接輸入
% 從外部層連接
nets = removedelay(net);
nets.name = [net.name ' - Predict One Step Ahead'];
view(netc)
[xs,xis,ais,ts] = preparets(nets,X,{},T);
ys = nets(xs,xis,ais);
stepAheadPerformance = perform(nets,ts,ys)