基于门控循环单元的数据回归预测 GRU

一、作品详细简介

1.1 附件文件夹程序代码截图

全部完整源代码，请在个人首页置顶文章查看：

学行库小秘_CSDN博客编辑https://blog.csdn.net/weixin_47760707?spm=1000.2115.3001.5343

1.2 各文件夹说明

1.2.1 main.m 主函数文件

MATLAB代码的详细实现步骤解析，该代码实现了一个基于GRU（门控循环单元）的回归预测模型：

1. 数据导入与预处理

功能：从Excel文件数据集 .xlsx 中读取数据，存储到矩阵res中。
说明：数据集应包含103行样本，每行有8列（前7列为特征，最后一列为目标值）。

2. 划分训练集和测试集

步骤：
1. 生成1~103的随机排列(randperm)。
2. 前80个样本作为训练集，后23个样本作为测试集。
3. 输入特征（前7列）转置为行向量（7×80和7×23）。
4. 目标值（第8列）转置为行向量（1×80和1×23）。

3. 数据归一化

功能：将数据归一化到 $0, 1$ 区间。
关键：
- 训练集归一化并保存参数(ps_input , ps_output)。
- 测试集使用训练集的参数归一化（避免数据泄露）。

4. 数据重塑

目的：将数据转换为GRU网络需要的4D格式（特征×高度×宽度×样本数）。
结构：每个样本被重塑为7×1×1的3D矩阵（7个特征视为时间步）。

5. 转换为元胞数组

原因：MATLAB的序列网络（如GRU）要求输入数据为元胞数组。
结果：每个元胞包含一个样本的7×1特征矩阵。

6. 构建GRU网络模型

结构：
- sequenceInputLayer(7)：接收7维序列输入。
- gruLayer(10) ：10个GRU单元，仅输出最后时间步的结果（'last'）。
- reluLayer：非线性激活函数。
- regressionLayer：回归任务输出层。

7. 设置训练选项

关键配置：
- 优化器：Adam。
- 最大迭代次数：1500。
- 初始学习率：0.01，每400次衰减50%。
- 每轮训练前打乱数据。
- 实时绘制训练进度。

8. 训练模型

输入：训练集元胞数组p_train 和目标值t_train。
输出：
- net：训练好的GRU模型。
- Loss：训练过程中的损失记录。

9. 预测与反归一化

步骤：
1. 用训练好的模型预测训练集和测试集。
2. 将预测结果反归一化到原始量纲。
3. 转置数据维度以匹配原始目标值格式。

10. 性能评估

(1) 计算均方根误差（RMSE）

(2) 计算多维度指标

11. 可视化结果

(1) 训练过程曲线

(2) 预测值与真实值对比

(3) 预测-真实值散点图

12. 网络结构分析

功能：可视化模型结构，检查各层输入/输出维度是否匹配。

总结

该代码完整实现了以下流程：

数据准备 → 2. GRU 网络构建 → 3. 模型训练 → 4. 预测评估 → 5. 结果可视化
核心创新点：

将7维特征视为时间序列输入GRU（每个特征作为一个时间步）。
使用多维度评估指标（R²、MAE、MBE、MSE、MAPE）全面验证模型性能。
详细的训练过程可视化和预测结果对比分析。

图 2 main.m 主函数文件部分代码

1.2.2 数据集文件

数据集为Excel数据csv格式文件，可以方便地直接替换为自己的数据运行程序。原始数据文件包含7列特征列数据和1列输出标签列数据，一共包含103条样本数据，具体如图所示。

二、代码运行结果展示

该代码实现了一个基于GRU神经网络的回归预测模型。

首先，代码导入数据集并随机划分训练集（80个样本）和测试集（23个样本），对特征和目标值进行归一化预处理；

其次，将数据重塑为GRU网络要求的格式，构建包含输入层、GRU层（10个单元）、ReLU激活层和回归层的网络结构，使用Adam优化器进行1500轮训练；

最后，对预测结果反归一化后，计算RMSE、R²、MAE、MBE、MSE和MAPE等多维度评估指标，并通过误差曲线、预测值对比图和散点图全面可视化模型性能。

三、注意事项 :

1.程序运行软件推荐Matlab 2018B版本及以上；

2.所有程序都经过验证，保证程序可以运行。此外程序包含简要注释，便于理解。

3.如果不会运行，可以帮忙远程运行原始程序以及讲解和其它售后，该服务需另行付费。

代码包含详细的文件说明，以及对每个程序文件的功能注释，说明详细清楚。

5.Excel数据，可直接修改数据，替换数据后直接运行即可。