今天为大家带来一期BiGRU时间序列递归预测未来数据代码,独家原创!传统的时间序列预测大家都不知道怎么预测未来值,这里直接提供代码!适合作为创新点!直接替换Excel数据即可用!具体代码已放在最后,需要代码的朋友可直接拉到最后~
目录
原理简介
BiGRU(双向门控循环单元)是一种用于时间序列预测的先进神经网络架构。但传统的BiGRU时间序列预测大家都不知道怎么预测未来值,这里直接提供代码!它结合了循环神经网络(RNN)的强大特性和双向网络的优势,以提高时间序列数据的预测准确性。
1.双向学习能力:与传统的单向RNN不同,BiGRU通过其双向结构能同时学习时间序列数据的过去和未来信息。这意味着它可以更全面地理解数据模式,从而提高预测的准确性。
2.更强的上下文理解:BiGRU在处理时间序列数据时,能够更有效地捕捉长期依赖关系。这对于那些需要理解复杂上下文信息的应用来说是一个巨大的优势。
3.减少梯度消失问题:门控机制帮助BiGRU减轻了传统RNN中常见的梯度消失问题,使得网络能够更有效地学习并保持长期的信息流。
4.灵活性和适应性:BiGRU网络可以适应各种时间序列数据,无论是固定频率的还是非固定频率的,都能处理得很好。
5.更快的收敛速度:与许多传统的时间序列预测方法相比,BiGRU通常能够更快地收敛到最优解,这对于需要快速迭代和调整的项目来说是一个重要的优势。
综上所述,BiGRU在时间序列预测中的应用可以为各种行业和场景带来显著的价值,如金融市场分析、气象预测、资源管理和需求预测等。其高效的学习能力和对复杂模式的理解使其成为时间序列预测的理想选择。
代码平台
Matlab
数据格式
对于时间序列数据,只需输入除时间外的一列数据即可,如图所示!如果想要换数据,直接替换Excel中的B列即可!
效果展示
为了方便大家设置预测未来多少步长,这边直接更改变量即可!已用红框标出!
网络结构图:
训练集预测效果图:
测试集预测效果图:
预测未来效果图:
可以看到,BiGRU能够较好预测未来趋势~
部分代码展示
%% 导入数据(时间序列的单列数据)
result = xlsread('数据集.xlsx');
%% 数据分析
num_samples = length(result); % 样本个数
kim = 12; % 延时步长(kim个历史数据作为自变量)
zim = 1; % 预测未来多少数据(跨zim个时间点进行预测)
ST = 100; % 递归预测未来多少数据
%% 划分数据集
for i = 1: num_samples - kim - zim + 1
res(i, :) = [reshape(result(i: i + kim - 1), 1, kim), result(i + kim + zim - 1)];
end
%% 数据集分析
outdim = 1; % 最后一列为输出
num_size = 0.7; % 训练集占数据集比例
num_train_s = round(num_size * num_samples); % 训练集样本个数
f_ = size(res, 2) - outdim; % 输入特征维度
%% 划分训练集和测试集
P_train = res(1: num_train_s, 1: f_)';
T_train = res(1: num_train_s, f_ + 1: end)';
M = size(P_train, 2);
P_test = res(num_train_s + 1: end, 1: f_)';
T_test = res(num_train_s + 1: end, f_ + 1: end)';
N = size(P_test, 2);
%% 数据归一化
[P_train, ps_input] = mapminmax(P_train, 0, 1);
P_test = mapminmax('apply', P_test, ps_input);
[t_train, ps_output] = mapminmax(T_train, 0, 1);
t_test = mapminmax('apply', T_test, ps_output);
%% 数据平铺
% 将数据平铺成1维数据只是一种处理方式
% 也可以平铺成2维数据,以及3维数据,需要修改对应模型结构
% 但是应该始终和输入层数据结构保持一致
P_train = double(reshape(P_train, f_, 1, 1, M));
P_test = double(reshape(P_test , f_, 1, 1, N));
t_train = t_train';
t_test = t_test' ;
完整代码获取
点击下方小卡片,后台回复关键字,不区分大小写。关键字:
BiGRU