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
cv小白菜1 天前
多算法模型(BI-LSTM GRU Mamba ekan xgboost)实现功率预测
机器学习·gru·lstm·时间序列·功率预测
zhangfeng11335 天前
tcn 对比 cnn-attension-gru联合模型,时间序列预测,深度神经网络
cnn·gru·dnn
铖铖的花嫁10 天前
基于RNNs(LSTM, GRU)的红点位置检测(pytorch)
pytorch·gru·lstm
不是很强 但是很秃12 天前
秃姐学AI系列之:GRU——门控循环单元 | LSTM——长短期记忆网络
人工智能·rnn·深度学习·神经网络·算法·gru·lstm
_清豆°12 天前
机器学习(七)——集成学习(个体与集成、Boosting、Bagging、随机森林RF、结合策略、多样性增强、多样性度量、Python源码)
人工智能·随机森林·机器学习·adaboost·集成学习·boosting·bagging
机器学习之心12 天前
Transformer-GRU、Transformer、CNN-GRU、GRU、CNN五模型多变量回归预测
多输入单输出回归预测·cnn·gru·transformer·cnn-gru
没有不重的名么15 天前
门控循环单元GRU
人工智能·深度学习·gru
正义的彬彬侠20 天前
在AdaBoost中,分类错误的样本的权重会增大
人工智能·机器学习·adaboost·集成学习·boosting·自适应提升算法
正义的彬彬侠20 天前
在AdaBoost中每轮训练后,为什么错误分类的样本权重会增大e^2αt倍
人工智能·机器学习·adaboost·集成学习·boosting·自适应提升算法
机器学习之心22 天前
故障诊断 | MTF-TLSSA-DarkNet-GRU-MSA迁移学习故障识别程序(t分布+莱维飞行改进麻雀优化)
深度学习·gru·迁移学习故障识别