Matlab实现时间序列预测分类实例代码

目录

• 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)

2、有x值，有y值：NARX

只有过去的输出

如果给环境加一个风扇，这时候有了风速，过去时间风速在改变，同时也在影响温度的改变

Matlab现在提供时间序列预测工具箱，可以在图形界面上进行调参选择，使用命令ntstool打开时间序列预测工具箱

类似股票的模型，只知道早上9:30开市到11:30的股票行情，预测11:30之后的股票行情，不考虑任何的输入

(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

没有线性的输入输出，很少遇到这种情况

三、总结

Matlab从2010b版本以后，使用图形界面训练网络调参，生成的代码与手敲的功能无异，Matlab时间序列预测工具箱实用而且好用。

到此这篇关于Matlab实现时间序列预测分类的文章就介绍到这了,更多相关Matlab时间序列预测内容请搜索脚本之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持脚本之家！