基于卷积神经网络(CNN)的时间序列预测,15个输入1个输出,可以更改数据集,MATLAB代码

1. 数据收集与预处理

  • 数据清洗:处理缺失值、异常值等。
  • 特征工程:提取有助于预测的特征。
  • 数据标准化:将时间序列数据标准化,使其具有零均值和单位方差,有助于模型训练。
  • 滑动窗口划分:将时间序列数据划分为多个滑动窗口,每个窗口包含15个历史时间点的数据值,用于预测下一个时间点的值。
  • 数据集中部分数据如下:
bash 复制代码
0.491920000000000	0.493110000000000	0.493500000000000	0.493130000000000	0.493030000000000	0.493300000000000	0.494200000000000	0.493710000000000	0.496820000000000	0.517990000000000	0.520820000000000	0.519940000000000	0.526180000000000	0.539890000000000	0.539940000000000	0.544180000000000
0.493110000000000	0.493500000000000	0.493130000000000	0.493030000000000	0.493300000000000	0.494200000000000	0.493710000000000	0.496820000000000	0.517990000000000	0.520820000000000	0.519940000000000	0.526180000000000	0.539890000000000	0.539940000000000	0.544180000000000	0.546260000000000
0.493500000000000	0.493130000000000	0.493030000000000	0.493300000000000	0.494200000000000	0.493710000000000	0.496820000000000	0.517990000000000	0.520820000000000	0.519940000000000	0.526180000000000	0.539890000000000	0.539940000000000	0.544180000000000	0.546260000000000	0.548060000000000
0.493130000000000	0.493030000000000	0.493300000000000	0.494200000000000	0.493710000000000	0.496820000000000	0.517990000000000	0.520820000000000	0.519940000000000	0.526180000000000	0.539890000000000	0.539940000000000	0.544180000000000	0.546260000000000	0.548060000000000	0.546630000000000
0.493030000000000	0.493300000000000	0.494200000000000	0.493710000000000	0.496820000000000	0.517990000000000	0.520820000000000	0.519940000000000	0.526180000000000	0.539890000000000	0.539940000000000	0.544180000000000	0.546260000000000	0.548060000000000	0.546630000000000	0.555100000000000
0.493300000000000	0.494200000000000	0.493710000000000	0.496820000000000	0.517990000000000	0.520820000000000	0.519940000000000	0.526180000000000	0.539890000000000	0.539940000000000	0.544180000000000	0.546260000000000	0.548060000000000	0.546630000000000	0.555100000000000	0.563040000000000
0.494200000000000	0.493710000000000	0.496820000000000	0.517990000000000	0.520820000000000	0.519940000000000	0.526180000000000	0.539890000000000	0.539940000000000	0.544180000000000	0.546260000000000	0.548060000000000	0.546630000000000	0.555100000000000	0.563040000000000	0.579750000000000
0.493710000000000	0.496820000000000	0.517990000000000	0.520820000000000	0.519940000000000	0.526180000000000	0.539890000000000	0.539940000000000	0.544180000000000	0.546260000000000	0.548060000000000	0.546630000000000	0.555100000000000	0.563040000000000	0.579750000000000	0.565900000000000
0.496820000000000	0.517990000000000	0.520820000000000	0.519940000000000	0.526180000000000	0.539890000000000	0.539940000000000	0.544180000000000	0.546260000000000	0.548060000000000	0.546630000000000	0.555100000000000	0.563040000000000	0.579750000000000	0.565900000000000	0.563570000000000
0.517990000000000	0.520820000000000	0.519940000000000	0.526180000000000	0.539890000000000	0.539940000000000	0.544180000000000	0.546260000000000	0.548060000000000	0.546630000000000	0.555100000000000	0.563040000000000	0.579750000000000	0.565900000000000	0.563570000000000	0.564210000000000
0.520820000000000	0.519940000000000	0.526180000000000	0.539890000000000	0.539940000000000	0.544180000000000	0.546260000000000	0.548060000000000	0.546630000000000	0.555100000000000	0.563040000000000	0.579750000000000	0.565900000000000	0.563570000000000	0.564210000000000	0.560570000000000
0.519940000000000	0.526180000000000	0.539890000000000	0.539940000000000	0.544180000000000	0.546260000000000	0.548060000000000	0.546630000000000	0.555100000000000	0.563040000000000	0.579750000000000	0.565900000000000	0.563570000000000	0.564210000000000	0.560570000000000	0.558160000000000
0.526180000000000	0.539890000000000	0.539940000000000	0.544180000000000	0.546260000000000	0.548060000000000	0.546630000000000	0.555100000000000	0.563040000000000	0.579750000000000	0.565900000000000	0.563570000000000	0.564210000000000	0.560570000000000	0.558160000000000	0.561030000000000
0.539890000000000	0.539940000000000	0.544180000000000	0.546260000000000	0.548060000000000	0.546630000000000	0.555100000000000	0.563040000000000	0.579750000000000	0.565900000000000	0.563570000000000	0.564210000000000	0.560570000000000	0.558160000000000	0.561030000000000	0.561560000000000
0.539940000000000	0.544180000000000	0.546260000000000	0.548060000000000	0.546630000000000	0.555100000000000	0.563040000000000	0.579750000000000	0.565900000000000	0.563570000000000	0.564210000000000	0.560570000000000	0.558160000000000	0.561030000000000	0.561560000000000	0.560440000000000

2. 设计CNN模型

  • 确定输入输出:确定模型的输入(历史时间点的数量)和输出(预测的时间点数量)。
  • 构建卷积层:使用一维卷积层(Conv1D)来提取时间序列数据的特征。
  • 添加池化层:使用池化层(如MaxPooling1D)来降低特征维度,提高模型的泛化能力。
  • 添加全连接层 :在卷积和池化层之后添加全连接层(Dense),用于学习特征的组合并输出预测结果。

3. 编译模型

  • 选择损失函数:对于回归问题,通常使用均方误差(MSE)作为损失函数。
  • 选择优化器:常用的优化器包括Adam、SGD等。
  • 选择评估指标:常用的评估指标包括均方根误差(RMSE)。

4. 训练模型

  • 划分数据集:将数据集划分为训练集、验证集和测试集。
  • 模型训练:使用训练集数据训练模型,并在验证集上进行模型评估,以防止过拟合。
  • 超参数调优 :调整模型的超参数,如卷积核大小、卷积层数量、学习率等,以获得更好的性能。

5. 模型评估与测试

  • 评估模型:在测试集上评估模型的性能,使用RMSE等指标。
  • 结果分析:分析模型预测结果与实际值之间的差异,评估模型的准确性和泛化能力。


6. 部分MATLAB示例

bash 复制代码
%%  绘图
figure
plot(1: M, T_train, 'r-*', 1: M, T_sim1, 'b-o', 'LineWidth', 1)
legend('真实值', '预测值')
xlabel('预测样本')
ylabel('预测结果')
string = {'训练集预测结果对比'; ['RMSE=' num2str(error1)]};
title(string)
xlim([1, M])
grid

figure
plot(1: N, T_test, 'r-*', 1: N, T_sim2, 'b-o', 'LineWidth', 1)
legend('真实值', '预测值')
xlabel('预测样本')
ylabel('预测结果')
string = {'测试集预测结果对比'; ['RMSE=' num2str(error2)]};
title(string)
xlim([1, N])
grid
figure
scatter(T_train, T_sim1, sz, c)
hold on
plot(xlim, ylim, '--k')
xlabel('训练集真实值');
ylabel('训练集预测值');
xlim([min(T_train) max(T_train)])
ylim([min(T_sim1) max(T_sim1)])
title('训练集预测值 vs. 训练集真实值')

figure
scatter(T_test, T_sim2, sz, c)
hold on
plot(xlim, ylim, '--k')
xlabel('测试集真实值');
ylabel('测试集预测值');
xlim([min(T_test) max(T_test)])
ylim([min(T_sim2) max(T_sim2)])
title('测试集预测值 vs. 测试集真实值')

7. 完整MATLAB代码见下方名片

相关推荐
Be for thing7 小时前
Pytorch【12】transforms进阶|图像数据增强实战,提升模型泛化能力
人工智能·pytorch·机器学习
十有八七7 小时前
手搓 Agent(一):先有大脑——大模型只会做一件事
前端·人工智能·后端
锋行天下7 小时前
「踩坑实录」给 LangGraph Agent 接两个 FastMCP,我被 langchain 偷偷改了工具名
前端·人工智能·后端
阿里云大数据AI技术7 小时前
穹彻智能 × MaxCompute:具身智能 UMI 数据产线的全模态计算实践
人工智能
联犀7 小时前
ai时代复杂项目的golang项目如何更好的与ai共舞:monorepo+gozero
开发语言·人工智能·golang
飞Link7 小时前
灵巧手是什么?从机械结构、驱动方式到控制原理,认识机器人的精细操作能力
人工智能·python·机器人
阿里云大数据AI技术7 小时前
从“扫文件”到“找数据行”:EMR Serverless StarRocks 支持 Paimon Global Index
人工智能
武子康8 小时前
AI通关了,游戏就算通过测试了吗?
人工智能·游戏·机器学习
Seiran8 小时前
CPU 突然打满,罪魁祸首是条用了三年的正则
人工智能
牢姐与蒯8 小时前
cpp算法之哈希
c++·算法·哈希算法