基于广义回归神经网络货运量预测

%% 清空环境变量

clc;

clear all

close all

nntwarn off;

%% 载入数据

load data;

% 载入数据并将数据分成训练和预测两类

p_train=p(1:12,:);

t_train=t(1:12,:);

p_test=p(13,:);

t_test=t(13,:);

%% 交叉验证

desired_spread=[];

mse_max=10e20;

desired_input=[];

desired_output=[];

result_perfp=[];

indices = crossvalind('Kfold',length(p_train),4);

h=waitbar(0,'正在寻找最优化参数....')

k=1;

for i = 1:4

    perfp=[];

    disp(['以下为第',num2str(i),'次交叉验证结果'])

    test = (indices == i); train = ~test;

    p_cv_train=p_train(train,:);

    t_cv_train=t_train(train,:);

    p_cv_test=p_train(test,:);

    t_cv_test=t_train(test,:);

    p_cv_train=p_cv_train';

    t_cv_train=t_cv_train';

    p_cv_test= p_cv_test';

    t_cv_test= t_cv_test';

    [p_cv_train,minp,maxp,t_cv_train,mint,maxt]=premnmx(p_cv_train,t_cv_train);

    p_cv_test=tramnmx(p_cv_test,minp,maxp);

    for spread=0.1:0.1:2;

        net=newgrnn(p_cv_train,t_cv_train,spread);

        waitbar(k/80,h);

        disp(['当前spread值为', num2str(spread)]);

        test_Out=sim(net,p_cv_test);

        test_Out=postmnmx(test_Out,mint,maxt);

        error=t_cv_test-test_Out;

        disp(['当前网络的mse为',num2str(mse(error))])

        perfp=[perfp mse(error)];

        if mse(error)<mse_max

            mse_max=mse(error);

            desired_spread=spread;

            desired_input=p_cv_train;

            desired_output=t_cv_train;

        end

        k=k+1;

    end

    result_perfp(i,:)=perfp;

end;

close(h)

disp(['最佳spread值为',num2str(desired_spread)])

disp(['此时最佳输入值为'])

desired_input

disp(['此时最佳输出值为'])

desired_output

%% 采用最佳方法建立GRNN网络

net=newgrnn(desired_input,desired_output,desired_spread);

p_test=p_test';

p_test=tramnmx(p_test,minp,maxp);

grnn_prediction_result=sim(net,p_test);

grnn_prediction_result=postmnmx(grnn_prediction_result,mint,maxt);

grnn_error=t_test-grnn_prediction_result';

disp(['GRNN神经网络三项流量预测的误差为',num2str(abs(grnn_error))])

save best desired_input desired_output p_test t_test grnn_error mint maxt

  • 1
    点赞
  • 4
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
基于广义神经网络回归进行货运量预测的r语言代码如下: 首先,我们需要加载所需的库: ``` library("RSNNS") # 加载神经网络相关库 library("caret") # 加载数据预处理库 ``` 然后,我们开始进行数据预处理: ``` # 读取数据 data <- read.csv("data.csv") # 将数据分成训练集和测试集 set.seed(123) # 设置随机种子以保持结果的可重复性 trainIndex <- createDataPartition(data$Volume, p = 0.8, list = FALSE) trainData <- data[trainIndex, ] testData <- data[-trainIndex, ] # 进行数据的归一化 preprocessParams <- preProcess(trainData[, -1], method = c("center", "scale")) trainData <- predict(preprocessParams, trainData) testData <- predict(preprocessParams, testData) ``` 接下来,我们创建广义神经网络模型: ``` # 创建一个基于广义神经网络回归模型 model <- mlp(Volume ~ ., trainData, size = c(5), learnFunc = "SCG", maxit = 100, linOut = TRUE) ``` 然后,我们使用训练好的模型对测试集进行预测: ``` # 使用模型进行预测 predictions <- predict(model, testData) ``` 最后,我们可以评估模型的准确性: ``` # 计算R2值 r2 <- R2(predictions, testData$Volume) print(paste("R2:", r2)) ``` 以上就是基于广义神经网络回归进行货运量预测的r语言代码。这段代码首先进行数据的加载和预处理,然后使用RSNNS库创建神经网络模型,接着使用模型进行预测,并计算出预测结果的R2值作为评估指标。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

fpga和matlab

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值