区间预测 | Matlab实现DNN-KDE深度神经网络结合核密度估计多置信区间多变量回归区间预测
目录
效果一览
基本介绍
1.Matlab实现DNN-KDE深度神经网络结合核密度估计多置信区间多变量回归区间预测；
2.多变量单输出，包括点预测+概率预测曲线+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。
3.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。
4.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资源处下载Matlab实现DNN-KDE深度神经网络结合核密度估计多置信区间多变量回归区间预测。
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
%% 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, end)';
M = size(P_train, 2);
P_test = res(num_train_s + 1: end, 1: f_)';
T_test = res(num_train_s + 1: end, end)';
N = size(P_test, 2);
%% 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);
%% *值评估指标*
errorTest = T_sim2 - T_test;
AE = abs(errorTest); %绝对误差
MSEErrorTest = mse(errorTest); %测试集误差
figure;
subplot(2,2,1)
bar(errorTest);
subplot(2,2,2)
histogram(AE,'BinWidth',0.5);
xlabel('绝对误差区间的中位数','FontWeight',"bold");
ylabel('位于该误差区间的样本个数','FontWeight',"bold");
MAE = sum(AE)/length(AE);
MSE = MSEErrorTest;
RMSE = sqrt(MSE);
disp(['测试集数据的R2为：', num2str(R2)])
disp(['测试集数据的MAE为：', num2str(mae2)])
disp(['测试集数据的RMSE为：', num2str(RMSE2)])
disp(['测试集数据的MAPE为：', num2str(MAPE2)])参考资料
[1] https://blog.csdn.net/kjm13182345320/article/details/127931217
[2] https://blog.csdn.net/kjm13182345320/article/details/127418340