多维时序 | Matlab实现VMD-CNN-GRU变分模态分解结合卷积神经网络门控循环单元多变量时间序列预测
目录
预测效果
基本介绍
1.Matlab实现VMD-CNN-GRU变分模态分解结合卷积神经网络门控循环单元多变量时间序列预测;
2.运行环境为Matlab2021及以上;
3.输入多个特征,输出单个变量,考虑历史特征的影响,多变量时间序列预测;
4.data为数据集,main1_VMD.m、main2_VMD_CNN_GRU.m为主程序,运行即可,所有文件放在一个文件夹;
5.命令窗口输出R2、MSE、MAE、MAPE和RMSE多指标评价;
VMD-CNN-GRU是一种结合了变分模态分解(VMD)、卷积神经网络(CNN)和门控循环单元(GRU)的多变量时间序列预测模型。这种模型在处理复杂时间序列数据时,能够有效地提取特征、捕捉时间依赖关系,并进行准确的预测。
首先,变分模态分解(VMD)是一种自适应的信号处理方法,能够将原始时间序列数据分解为一系列具有不同频率的子序列。这种分解有助于提取出数据中的关键特征,并降低噪声对预测结果的影响。
接下来,卷积神经网络(CNN)被用于进一步处理这些子序列。CNN具有强大的特征提取能力,能够自动学习并提取出子序列中的有用信息。通过卷积操作,CNN可以有效地捕捉到数据中的局部特征和空间依赖关系。
然后,门控循环单元(GRU)被用来处理经过CNN处理后的数据。GRU是一种循环神经网络(RNN)的变体,它具有更好的长期依赖关系捕捉能力。通过GRU的更新门和重置门机制,模型可以学习到时间序列数据中的时间依赖关系,并生成准确的预测结果。
程序设计
- 完整程序和数据获取方式资源处下载Matlab实现VMD-CNN-GRU变分模态分解结合卷积神经网络门控循环单元多变量时间序列预测。
clike
%% 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
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);
f_ = size(P_train, 1); % 输入特征维度
%% 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);
% 输入特征
sequenceInputLayer([numFeatures,1,1],'name','input') %输入层设置
sequenceFoldingLayer('name','fold') %使用序列折叠层对图像序列的时间步长进行独立的卷积运算。
% CNN特征提取
convolution2dLayer([3,1],16,'Stride',[1,1],'name','conv1') %添加卷积层,64,1表示过滤器大小,10过滤器个数,Stride是垂直和水平过滤的步长
batchNormalizationLayer('name','batchnorm1') % BN层,用于加速训练过程,防止梯度消失或梯度爆炸
reluLayer('name','relu1') % ReLU激活层,用于保持输出的非线性性及修正梯度的问题
% 池化层
maxPooling2dLayer([2,1],'Stride',2,'Padding','same','name','maxpool') % 第一层池化层,包括3x3大小的池化窗口,步长为1,same填充方式
% 展开层
sequenceUnfoldingLayer('name','unfold') %独立的卷积运行结束后,要将序列恢复
%平滑层
flattenLayer('name','flatten')
gruLayer(25,'Outputmode','last','name','hidden1')
dropoutLayer(0.2,'name','dropout_1') % Dropout层,以概率为0.2丢弃输入
fullyConnectedLayer(1,'name','fullconnect') % 全连接层设置(影响输出维度)(cell层出来的输出层) %
参考资料
[1] https://blog.csdn.net/kjm13182345320/category_11799242.html?spm=1001.2014.3001.5482
[2] https://blog.csdn.net/kjm13182345320/article/details/124571691