多维时序 | Matlab实现GRU-Adaboost和GRU多变量时间序列预测对比

多维时序 | Matlab实现GRU-Adaboost和GRU多变量时间序列预测对比

目录

预测效果



基本介绍

多维时序 | Matlab实现GRU-Adaboost和GRU多变量时间序列预测对比

模型描述

Matlab实现GRU-Adaboost和GRU多变量时间序列预测对比(完整程序和数据)

1.输入多个特征,输出单个变量;

2.考虑历史特征的影响,多变量时间序列预测;

4.csv数据,方便替换;

5.运行环境Matlab2018b及以上;

6.输出误差对比图。

程序设计

clike 复制代码
 
        (32,'OutputMode',"last",'Name','bil4','RecurrentWeightsInitializer','He','InputWeightsInitializer','He')
        dropoutLayer(0.25,'Name','drop2')
        % 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
if gpuDeviceCount>0
    mydevice = 'gpu';
else
    mydevice = 'cpu';
end
    options = trainingOptions('adam', ...
        'MaxEpochs',MaxEpochs, ...
        'MiniBatchSize',MiniBatchSize, ...
        'GradientThreshold',1, ...
        'InitialLearnRate',learningrate, ...
        'LearnRateSchedule','piecewise', ...
        'LearnRateDropPeriod',56, ...
        'LearnRateDropFactor',0.25, ...
        'L2Regularization',1e-3,...
        'GradientDecayFactor',0.95,...
        'Verbose',false, ...
        'Shuffle',"every-epoch",...
        'ExecutionEnvironment',mydevice,...
        'Plots','training-progress');
%% 模型训练
rng(0);
net = trainNetwork(XrTrain,YrTrain,layers,options);
%-----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------
%% 测试数据预测
% 测试集预测
YPred = predict(net,XrTest,"ExecutionEnvironment",mydevice,"MiniBatchSize",numFeatures);
YPred = YPred';
% 数据反归一化
YPred = sig.*YPred + mu;
YTest = sig.*YTest + mu;
------------------------------------------------
版权声明:本文为CSDN博主「机器学习之心」的原创文章,遵循CC 4.0 BY-SA版权协议,转载请附上原文出处链接及本声明。

参考资料

[1] http://t.csdn.cn/pCWSp

[2] https://download.csdn.net/download/kjm13182345320/87568090?spm=1001.2014.3001.5501

[3] https://blog.csdn.net/kjm13182345320/article/details/129433463?spm=1001.2014.3001.5501

相关推荐
机器学习之心7 天前
JCRQ1河马算法+四模型对比!HO-CNN-GRU-Attention系列四模型多变量时序预测
算法·cnn·gru·cnn-gru·四模型多变量时序预测
橙子小哥的代码世界10 天前
【深度学习】循环神经网络案例讲解-基于 PyTorch 的中文歌词生成——RNN,LSTM,GRU 从数据预处理到预测全流程详解
rnn·深度学习·机器学习·gru·lstm·循环神经网络·文本生成
飞哥一芯11 天前
Imagination GPU 3D Graphics Wrokload
3d·gru
沅_Yuan13 天前
基于SSA-KELM-Adaboost(麻雀搜索优化的极限学习机自适应提升算法)的多输入单输出回归预测【MATLAB】
算法·matlab·回归·adaboost·集成学习·极限学习机·麻雀搜索
TangGeeA25 天前
对gru的理解
rnn·深度学习·gru
机器学习之心25 天前
CNN-GRU卷积神经网络门控循环单元多变量多步预测,光伏功率预测(Matlab完整源码和数据)
matlab·cnn·gru·cnn-gru·卷积神经网络门控循环单元·多变量多步预测
Binary Oracle1 个月前
生成式聊天机器人 -- 基于Pytorch + Global Attention + 双向 GRU 实现的SeqToSeq模型 -- 上
pytorch·机器人·gru
Binary Oracle1 个月前
GRU 和 LSTM 公式推导与矩阵变换过程图解
矩阵·gru·lstm
Curz酥1 个月前
RNN/LSTM/GRU 学习笔记
rnn·深度学习·机器学习·gru·lstm
CM莫问1 个月前
什么是门控循环单元?
人工智能·pytorch·python·rnn·深度学习·算法·gru