BO-RBF多变量时间序列 | Matlab 基于贝叶斯优化算法优化径向基函数神经网络(BO-RBF)的多变量时间序列预测

BO-RBF多变量时间序列 | Matlab 基于贝叶斯优化算法优化径向基函数神经网络(BO-RBF)的多变量时间序列预测

目录

• • [BO-RBF多变量时间序列 | Matlab 基于贝叶斯优化算法优化径向基函数神经网络(BO-RBF)的多变量时间序列预测](#BO-RBF多变量时间序列 | Matlab 基于贝叶斯优化算法优化径向基函数神经网络(BO-RBF)的多变量时间序列预测)
  • • 效果一览
    • 基本介绍
    • 程序设计
    • 参考资料

效果一览

基本介绍

BO-RBF多变量时间序列 | Matlab 基于贝叶斯优化算法优化径向基函数神经网络(BO-RBF)的多变量时间序列预测

程序平台：要求Matlab2023版以上

功能：

1、多变量特征输入，单序列变量输出。

2、提供MAPE、RMSE、MAE等计算结果展示。

适用领域：

风速预测、光伏功率预测、发电功率预测、碳价预测，交通流预测，等多种预测类应用。

使用便捷：

直接使用EXCEL表格导入数据，无需大幅修改程序。

程序设计

• 完整程序和数据下载私信博主回复Matlab 基于贝叶斯优化算法优化径向基函数神经网络(BO-RBF)的多变量时间序列预测。

%%  数据集分析
outdim = 1;                                  % 最后一列为输出
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);
%%  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);

参考资料

1 https://blog.csdn.net/kjm13182345320/article/details/128163536?spm=1001.2014.3001.5502

2 https://blog.csdn.net/kjm13182345320/article/details/128151206?spm=1001.2014.3001.5502