[独家原创]基于分位数回归的Bayes-GRU多变量时序预测【区间预测】 （多输入单输出）Matlab代码
目录
效果一览
基本介绍
独家原创\]基于分位数回归的Bayes-GRU多变量时序预测\[区间预测\] ( 多输入单输出) Matlab代码 matlab代码，替换数据直接使用! ! !数据格式为excel格式! 如下。 1、程序已调试好，无需更改代码，替换数据直接使用!数据格式为Excel! 2、区间预测:描述更多不确定信息，并包括变量重要性分析与误差曲线 注: 1、包括picp pinaw等区间预测指标，置信区间可根据需要调整。 2、赠送数据集(格式如下)，可直接运行源程序出图 3、代码中文注释清晰，质量极高  #### 程序设计 * 完整程序和数据获取方式私信博主回复\*\*\[独家原创\]基于分位数回归的Bayes-GRU多变量时序预测【区间预测】 （多输入单输出）Matlab代码\*\*。 ```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, 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 %% 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); figure subplot(2,1,1) plot(T_train,'k--','LineWidth',1.5); hold on plot(T_sim_a','r-','LineWidth',1.5) legend('真实值','预测值') xlabel('样本点') ylabel('数值') subplot(2,1,2) bar(T_sim_a'-T_train) disp('............测试集误差指标............') [mae2,rmse2,mape2,error2]=calc_error(T_test,T_sim_b'); fprintf('\n') figure subplot(2,1,1) plot(T_test,'k--','LineWidth',1.5); hold on plot(T_sim_b','b-','LineWidth',1.5) legend('真实值','预测值') ``` #### 参考资料 > \[1\] https://blog.csdn.net/kjm13182345320/article/details/127931217 > > \[2\] https://blog.csdn.net/kjm13182345320/article/details/127418340