区间预测 | Matlab实现GRU-ABKDE门控循环单元自适应带宽核密度估计多变量回归区间预测

区间预测 | Matlab实现GRU-ABKDE门控循环单元自适应带宽核密度估计多变量回归区间预测

目录

• • 区间预测 | Matlab实现GRU-ABKDE门控循环单元自适应带宽核密度估计多变量回归区间预测
  • • 效果一览
    • 基本介绍
    • 程序设计
    • 参考资料

效果一览

基本介绍

1.Matlab实现GRU-ABKDE门控循环单元自适应带宽核密度估计多变量回归区间预测（完整源码和数据）

2.GRU-ABKDE门控循环单元自适应带宽核密度估计多变量回归区间预测（完整源码和数据）（点预测+概率预测+核密度估计） Matlab语言

3.多变量单输出，包括点预测+概率预测+核密度估计曲线，MatlabR2021a及以上版本运行，提供多种置信区间！评价指标包括R2、MAE、RMSE、MAPE、区间覆盖率picp、区间平均宽度百分比pinaw等。

4.算法新颖，对固定带宽核函数进行了改进。

5.直接替换Excel数据即可用，注释清晰，适合新手小白，直接运行main文件一键出图。

6.代码特点：参数化编程、参数可方便更改、代码编程思路清晰、注释明细。

程序设计

• 完整程序和数据获取方式私信博主回复GRU-ABKDE门控循环单元自适应带宽核密度估计多变量回归区间预测（完整源码和数据）。

%%  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
res = xlsread('data.xlsx');
%%  数据分析
num_size = 0.7;                              % 训练集占数据集比例
outdim = 1;                                  % 最后一列为输出
num_samples = size(res, 1);                  % 样本个数
%res = res(randperm(num_samples), :);         % 打乱数据集（不希望打乱时，注释该行）
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
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
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', 100, ...                  % 最大训练次数 
'InitialLearnRate', 0.01, ...          % 初始学习率为0.01
'LearnRateSchedule', 'piecewise', ...  % 学习率下降
'LearnRateDropFactor', 0.1, ...        % 学习率下降因子 0.1
'LearnRateDropPeriod', 70, ...         % 经过训练后 学习率为 0.01*0.1
'Shuffle', 'every-epoch', ...          % 每次训练打乱数据集
'Verbose', 1);

参考资料

[1] https://blog.csdn.net/kjm13182345320/article/details/127931217
[2] https://blog.csdn.net/kjm13182345320/article/details/127418340