(Matlab)基于CNN-LSTM的多维时序回归预测(卷积神经网络-长短期记忆网络)

发布时间:2023年12月25日

目录

一、程序及算法内容介绍:

基本内容:

亮点与优势:

二、代码实际运行结果展示:

三、部分代码展示:

四、本文完整代码+数据下载:


一、程序及算法内容介绍:

基本内容:

  • 本代码基于Matlab平台编译,将卷积神经网络(CNN)与长短期记忆神经网络(LSTM)结合,进行时序数据回归预测

  • 输入训练的数据包含8个特征,1个响应值,即通过8个输入值预测1个输出值(多变量、多输入时序回归预测

  • 归一化训练数据,提升网络泛化性

  • 通过CNN神经网络提取数据的特征,然后输入LSTM进行时序回归预测,提升整体网络的性能

  • 训练CNN-LSTM网络,可自行指定各种参数,修改方便

  • 迭代计算过程中,自动显示优化进度条,实时查看程序运行进展情况

  • 自动输出多种多样的的误差评价指标,自动输出大量实验效果图片

亮点与优势:

  • 注释详细,几乎每一关键行都有注释说明,适合小白起步学习

  • 直接运行Main函数即可看到所有结果,使用便捷

  • 编程习惯良好,程序主体标准化,逻辑清晰,方便阅读代码

  • 所有数据均采用Excel格式输入,替换数据方便,适合懒人选手

  • 出图详细、丰富、美观,可直观查看运行效果

  • 附带详细的说明文档(下图),其内容包括:算法原理+使用方法说明

二、代码实际运行结果展示:

?

三、部分代码展示:

clc;
clear;
warning off;
%% 导入数据
Data = table2array(readtable("数据集.xlsx"));
% 本例数据集中包含:
% 1. 总共472个样本(每一行表示一个样本)
% 2. 每个样本8个特征值(即前8列每一列表示样本的一个特征,即输入的变量)
% 3. 每个样本1个响应值(第9列为表示样本的响应值,即被预测的变量)

%% 划分训练集和测试集
InPut_num = 1:1:8; % 输入特征个数,数据表格中前8列为输入值,因此设置为1:1:8,若前5个为输入则设置为1:1:5
OutPut_num = 9; % 输出响应个数,本例仅一个响应值,为数据表格中第9个,若多个响应值参照上行数据格式设置为x:1:y

% 选取前376个样本作为训练集,后96个样本作为测试集,即(1:376),和(377:end)
Train_InPut = Data(1:376,InPut_num); % 训练输入
Train_OutPut = Data(1:376,OutPut_num); % 训练输出
Test_InPut = Data(377:end,InPut_num); % 测试输入
Test_OutPut = Data(377:end,OutPut_num); % 测试输出
clear Temp;
%% 数据归一化
% 将数据归一化到0-1之间
Temp = [Train_OutPut;Test_OutPut];
[~, Ps] = mapminmax(Temp',0,1); 
% 归一化训练输入值
Sc = size(Train_InPut);
Temp = reshape(Train_InPut,[1,Sc(1)*Sc(2)]);
Temp = mapminmax('apply',Temp,Ps);
Train_InPut = reshape(Temp,[Sc(1),Sc(2)])';
% 归一化测试输入值
Sc = size(Test_InPut);
Temp = reshape(Test_InPut,[1,Sc(1)*Sc(2)]);
Temp = mapminmax('apply',Temp,Ps);
Test_InPut = reshape(Temp,[Sc(1),Sc(2)])';
% 归一化训练输出值
Train_OutPut = mapminmax('apply',Train_OutPut',Ps);
% 归一化测试输出值
Test_OutPut = mapminmax('apply',Test_OutPut',Ps);

四、本文完整代码+数据下载:

文章来源:https://blog.csdn.net/widhdbjf/article/details/135180538
本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。