【BP时序预测】基于BP神经网络时间序列预测附MATLAB完整代码

✅作者简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，matlab项目合作可私信。

🍎个人主页：Matlab科研工作室

🍊个人信条：格物致知。

更多Matlab仿真内容点击👇

智能优化算法       神经网络预测       雷达通信      无线传感器        电力系统

信号处理              图像处理               路径规划       元胞自动机        无人机

⛄ 内容介绍

基于BP(Backpropagation)神经网络的时间序列预测是一种常用的方法。BP神经网络是一种前馈神经网络，通过反向传播算法来训练网络权重，以实现对时间序列的预测。

以下是基于BP神经网络的时间序列预测的一般步骤：

1. 数据准备：将时间序列数据划分为训练集和测试集。训练集用于训练BP神经网络模型，测试集用于评估模型的预测性能。
2. 网络构建：构建BP神经网络模型，包括输入层、隐藏层和输出层。输入层接收时间序列数据，隐藏层可以包含多个神经元，输出层产生预测结果。
3. 数据归一化：对输入数据进行归一化处理，将数据缩放到一个合适的范围内，以提高训练效果和收敛速度。
4. 权重初始化：初始化BP神经网络的权重和偏置项，可以使用随机数来进行初始化。
5. 前向传播：将训练集的输入数据通过网络进行前向传播，得到神经网络的输出。
6. 误差计算：计算神经网络输出与实际值之间的误差。常用的误差函数包括均方误差(Mean Squared Error)和交叉熵(Cross Entropy)等。
7. 反向传播：根据误差，利用反向传播算法来更新网络的权重和偏置项。反向传播使用梯度下降等优化算法来最小化误差。
8. 重复训练：重复进行步骤5-7，直到达到停止条件(如达到最大迭代次数或误差小于某个阈值)。
9. 预测：使用训练好的BP神经网络模型对测试集进行预测。将测试集的输入通过网络传播，并得到对应的输出。
10. 评估性能：使用适当的评估指标(如均方根误差、平均绝对误差)来评估模型在测试集上的预测性能。可以将预测结果与实际值进行比较，分析模型的准确性和泛化能力。

需要注意的是，BP神经网络在时间序列预测中具有一定的优势，但在实际应用中，还需要考虑其他因素，如数据的平稳性、噪声处理、网络结构的选择等。此外，还可以结合其他技术和方法来进一步提高时间序列预测的准确性和稳定性。

⛄ 代码

%% BP神经网络时间序列预测
%% 1.初始化
clear
close all
clc
format bank %2位小数，format short精确4位，format long精确15位

%% 2.读取读取
data0=xlsread('数据.xlsx'); % Matlab2021版本以上无法使用xlsread函数，可用Load函数替代  
lag=5;   %lag代表延迟，即本网络的输入节点数
for i=1:length(data0)-lag
    data(i,:)=data0(i:i+lag)'; 
end

input=data(:,1:end-1);   
output=data(:,end);      
N=length(output);        %计算样本数量
testNum=100;             %设定测试集样本数量
trainNum=N-testNum;     

%% 3.设置训练集和测试集
input_train = input(1:trainNum,:)';                 % 训练集输入
output_train =output(1:trainNum)';                  % 训练集输出
input_test =input(trainNum+1:trainNum+testNum,:)';  % 测试集输入
output_test =output(trainNum+1:trainNum+testNum)';  % 测试集输出

%% 4.数据归一化
[inputn,inputps]=mapminmax(input_train,0,1);        % 训练集输入归一化到[0,1]之间
[outputn,outputps]=mapminmax(output_train);         % 训练集输出归一化到默认区间[-1, 1]
inputn_test=mapminmax('apply',input_test,inputps);  % 测试集输入采用和训练集输入相同的归一化方式

%% 5.求解最佳隐含层
inputnum=size(input,2);   %size用来求取矩阵的行数和列数，1代表行数，2代表列数
outputnum=size(output,2);
disp(['输入层节点数：',num2str(inputnum),',  输出层节点数：',num2str(outputnum)])
disp(['隐含层节点数范围为 ',num2str(fix(sqrt(inputnum+outputnum))+1),' 至 ',num2str(fix(sqrt(inputnum+outputnum))+10)])
disp('')
disp('最佳隐含层节点的确定...')

%根据hiddennum=sqrt(m+n)+a，m为输入层节点数，n为输出层节点数，a取值[1,10]之间的整数
MSE=1e+5;    %误差初始化
for hiddennum=fix(sqrt(inputnum+outputnum))+1:fix(sqrt(inputnum+outputnum))+10
    
    net=newff(inputn,outputn,hiddennum);  % 构建BP网络
    
    % 设置网络参数
    net.trainParam.epochs=1000;           % 设置训练次数
    net.trainParam.lr=0.01;               % 设置学习速率
    net.trainParam.goal=0.000001;         % 设置训练目标最小误差
    
    % 进行网络训练
    net=train(net,inputn,outputn);
    an0=sim(net,inputn);     %仿真结果
    mse0=mse(outputn,an0);   %仿真的均方误差
    disp(['当隐含层节点数为',num2str(hiddennum),'时，训练集均方误差为：',num2str(mse0)])
    
    %不断更新最佳的隐含层节点
    if mse0<MSE
        MSE=mse0;
        hiddennum_best=hiddennum;
    end
end
disp(['最佳隐含层节点数为：',num2str(hiddennum_best),'，均方误差为：',num2str(MSE)])

%% 6.构建最佳隐含层的BP神经网络
net=newff(inputn,outputn,hiddennum_best);

% 网络参数
net.trainParam.epochs=1000;         % 训练次数
net.trainParam.lr=0.01;             % 学习速率
net.trainParam.goal=0.000001;       % 训练目标最小误差

%% 7.网络训练
net=train(net,inputn,outputn);      % train函数用于训练神经网络，调用蓝色仿真界面

%% 8.网络测试
an=sim(net,inputn_test);                     % 训练完成的模型进行仿真测试
test_simu=mapminmax('reverse',an,outputps);  % 测试结果反归一化
error=test_simu-output_test;                 % 测试值和真实值的误差

%% 9.结果输出
% 预测值和实际值的对比图
figure
plot(output_test,'bo-','linewidth',1)
hold on
plot(test_simu,'rs-','linewidth',1)
legend('实际值','预测值')
xlabel('测试样本'),ylabel('指标值')
title('BP预测值和实际值的对比')
set(gca,'fontsize',12)

figure
plot(error,'bo-','linewidth',1)
xlabel('测试样本'),ylabel('预测误差')
title('BP神经网络测试集的预测误差')
set(gca,'fontsize',12)

figure;
plotregression(output_test,test_simu,['BP数据拟合图']);
figure;
ploterrhist(test_simu-output_test,['BP误差直方图']);

%计算各项误差参数
[~,len]=size(output_test);            % len获取测试样本个数，数值等于testNum，用于求各指标平均值
SSE1=sum(error.^2);                   % 误差平方和
MAE1=sum(abs(error))/len;             % 平均绝对误差
MSE1=error*error'/len;                % 均方误差
RMSE1=MSE1^(1/2);                     % 均方根误差
MAPE1=mean(abs(error./output_test));  % 平均百分比误差

% 显示各指标结果
disp(' ')
disp('各项误差指标结果：')
disp(['误差平方和SSE为：',num2str(SSE1)])
disp(['平均绝对误差MAE为：',num2str(MAE1)])
disp(['均方误差MSE为：',num2str(MSE1)])
disp(['均方根误差RMSE为：',num2str(RMSE1)])
disp(['平均百分比误差MAPE为：',num2str(MAPE1*100),'%'])
disp(['预测准确率为：',num2str(100-MAPE1*100),'%'])


% 工作区中
% output_test代表测试集
% test_simu代表BP预测值
% error代表BP误差

⛄ 运行结果

⛄ 参考文献

[1] 刘天,姚梦雷,黄继贵,等.BP神经网络在传染病时间序列预测中的应用及其MATLAB实现[J].预防医学情报杂志, 2019, 35(8):6.DOI:CNKI:SUN:YFYX.0.2019-08-006.

[2] 杨海峰,孙媛,栾丽,等.基于BP神经网络的卫星遥测时序数据预测方法研究[C]//中国计算机自动测量与控制技术协会.中国计算机自动测量与控制技术协会, 2016.

⛳️ 代码获取关注我

❤️部分理论引用网络文献，若有侵权联系博主删除

❤️ 关注我领取海量matlab电子书和数学建模资料

🍅 仿真咨询

1.卷积神经网络(CNN)、LSTM、支持向量机(SVM)、最小二乘支持向量机(LSSVM)、极限学习机(ELM)、核极限学习机(KELM)、BP、RBF、宽度学习、DBN、RF、RBF、DELM实现风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断

2.图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知

3.旅行商问题(TSP)、车辆路径问题(VRP、MVRP、CVRP、VRPTW等)、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、车辆协同无人机路径规划

4.无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配

5.传感器部署优化、通信协议优化、路由优化、目标定位

6.信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号

7.生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化

8.微电网优化、无功优化、配电网重构、储能配置

9.元胞自动机交通流 人群疏散 病毒扩散 晶体生长