一、研究背景
该代码旨在探索深度学习模型在时间序列预测任务中的应用 ，特别是将计算机视觉中表现优异的ResNet50架构 迁移至时序数据分析。通过结合残差网络（ResNet） 与递归神经网络（RNN） 的思想，构建混合网络结构，以捕捉时间序列中的长期依赖与非线性模式，提升预测精度。
二、主要功能
- 数据导入与可视化：从Excel读取时间序列数据，并绘制原始数据与分布直方图。
- 数据预处理：标准化、划分训练/验证/测试集、构建滞后序列。
- 模型构建：使用ResNet50作为主干网络，适配回归预测任务。
- 模型训练：支持GPU加速，可视化训练过程与损失曲线。
- 预测与评估 ：
- 在测试集上进行预测并计算多种误差指标（MAE、RMSE、MAPE、sMAPE、相关系数）。
- 对未来时间步进行多步预测。
- 结果可视化与保存 ：
- 提供多维度图表展示预测效果与误差分布。
- 将结果保存至Excel文件。
三、算法步骤
- 数据准备 ：
- 读取Excel数据 → 划分数据集 → 标准化 → 构建滞后序列。
- 网络构建 ：
- 调用或自定义ResNet50结构 → 修改输入/输出层适应回归任务。
- 模型训练 ：
- 设置训练选项（优化器、学习率、批次大小等）→ 训练网络 → 监控训练过程。
- 预测与评估 ：
- 测试集预测 → 反标准化 → 计算误差指标 → 可视化对比。
- 未来预测 ：
- 基于最后观测序列进行多步滚动预测 → 输出预测结果。
四、技术路线
- 特征提取：利用ResNet50的卷积层提取时序数据的局部与全局特征。
- 回归预测：通过全连接层输出连续值预测结果。
- 混合架构：结合CNN的空间特征提取能力与滞后序列的时间建模能力。
- 训练策略：使用Adam优化器、学习率衰减、验证集早停等策略。
五、公式原理（关键部分）
- 数据标准化 ：
xstd=x−μσ x_{\text{std}} = \frac{x - \mu}{\sigma} xstd=σx−μ - 损失函数（回归任务常用） ：
MSE=1n∑i=1n(yi−y^i)2 \text{MSE} = \frac{1}{n} \sum_{i=1}^n (y_i - \hat{y}_i)^2 MSE=n1i=1∑n(yi−y^i)2 - 残差连接（ResNet核心） ：
y=F(x,Wi)+x y = F(x, W_i) + x y=F(x,Wi)+x
其中 (F) 为卷积层堆叠，(x) 为输入跳跃连接。
六、参数设定
| 参数 | 说明 | 默认值 |
|---|---|---|
Lag |
滞后窗口（用于构建特征） | 1:2 |
trainRatio / valRatio / testRatio |
数据划分比例 | 0.7 / 0.2 / 0.1 |
MiniBatchSize |
小批量大小 | 128 |
MaxEpochs |
最大训练轮数 | 50 |
learningRate |
初始学习率 | 0.01 |
horizon |
未来预测步数 | 12 |
七、运行环境
-
软件：MATLAB2020
-
数据格式 ：Excel文件（
.xlsx），首列为时序数据
八、应用场景
- 金融预测：股价、汇率、经济指标预测
- 工业监控：设备状态预测、异常检测
- 环境监测：气温、湿度、PM2.5预测
- 能源管理：电力负荷、光伏发电量预测
- 医疗健康：心电图、血糖趋势分析