Matlab实现时间序列预测分类实例代码_Python

一、数据准备
二、时间序列预测分类
- 1、输入为xt，输出是yt
- 2、有x值，有y值：NARX
  - (1)选择模型类型
  - (2)选择输出，只有y_t
  - (3)选择70%用来作为训练数据，15%用来作为验证使用，15%用来测试
  - (4)选择delay
  - (5)开始训练
  - (6)得到参数
  - (7)将神经网络导出代码
- 3、无x，有y值：NAR
三、总结

Matlab从2010b版本以后，神经网络工具箱已经升级为7.0，功能大大加强。在之前的版本做时间预测是比较麻烦操作的，MathWorks公司对时间序列预测做了详细的解决，跑模型非常简便。

下面通过一个例子演示在Matlab实现时间序列预测。

一、数据准备

极客范儿在夏天吹电扇的体温变化

时间	风速	温度
0	1	37.21405
0.12457	1.01	37.26016
0.24915	1.02	37.26324
0.37373	1.03	37.31242
0.4983	1.04	37.3155
0.62258	1.05	37.36468
0.74745	1.06	37.36776
0.87203	1.07	37.41694
0.99661	1.08	37.42002
…	…	…

% 原始数据读入到Matlab中 rawData=xlsread("time_series_data.xlsx","sheet1","A2:C52); % 第一列时间，第二列风速，第三列温度 % yt第三列 y_t=rawData(:,3); % xt第二列 x_t=rawData(:,2);

二、时间序列预测分类

时间序列预测分为三类：

1、输入为xt，输出是yt

即有过去的输入xt，也有过去的输出yt，同时当前的输出不仅依赖于过去的输入，也同时依赖于过去的输出

过去时间段温度的变化，预测将来某个时间温度的变化，这种情况就是只有过去的输出

% x_t - 时间序列输入 % y_t - 反馈时间序列 X = tonndata(x_t,false,false); T = tonndata(y_t,false,false); % 选择训练功能 % "trainlm"通常是最快 % "trainbr"耗时较长，但可能更适合解决挑战性的问题 % "trainscg"使用更少的内存。适用于低内存情况 trainFcn = "trainlm"; % Levenberg-Marquardt反向传播 % 创建一个非线性自回归网络 feedbackDelays = 1:6; hiddenLayerSize = 20; net = narnet(feedbackDelays,hiddenLayerSize,"open",trainFcn); % 为训练和模拟准备数据 % PREPARETS函数为特定网络准备时间序列数据 % 移动时间的最小量，以声明填充输入状态和层 % 使用PREPARETS允许保留原始的时间序列数据不变,同时轻松定制它的网络与不同 % 具有开环或闭环反馈模式的延迟数 [x,xi,ai,t] = preparets(net,{},{},T); % 建立训练，验证，测试的数据 net.divideParam.trainRatio = 70/100; net.divideParam.valRatio = 15/100; net.divideParam.testRatio = 15/100; % 训练静态神经网络 [net,tr] = train(net,x,t,xi,ai); % 测试神经网络 y = net(x,xi,ai); e = gsubtract(t,y); performance = perform(net,t,y) % 查看神经网络 view(net) % Plots % Uncomment these lines to enable various plots. %figure, plotperform(tr) %figure, plottrainstate(tr) %figure, ploterrhist(e) %figure, plotregression(t,y) %figure, plotresponse(t,y) %figure, ploterrcorr(e) %figure, plotinerrcorr(x,e) % 提前预测网络 % 利用该网络进行多步预测 % CLOSELOOP函数将反馈输入替换为直接输入 % 从外部层连接 nets = removedelay(net); nets.name = [net.name " - Predict One Step Ahead"]; view(netc) [xs,xis,ais,ts] = preparets(nets,X,{},T); ys = nets(xs,xis,ais); stepAheadPerformance = perform(nets,ts,ys)