【原创首发 | 区间预测】基于(PSA-BP-KDE)PID搜索算法优化BP神经网络核密度估计多变量回归多置信区间预测(MATLAB完整源码和数据)
文章目录
文章介绍
基于PSA-BP-KDE多变量回归多置信区间预测
基于PID搜索算法优化BP神经网络核密度估计多变量回归多置信区间预测
MATLAB完整源码和数据
纯手工制作,代码质量极高,注释清晰,excel数据,方便替换
1.多变量单输出,包括点预测+概率预测曲线+核密度估计曲线,提供多种置信区间!评价指标包括R2、MAE、RMSE、MAPE、区间覆盖率picp、区间平均宽度百分比pinaw等。
2.MatlabR2023b及以上版本运行
3.直接替换Excel数据即可用,注释清晰,适合新手小白,直接运行main文件一键出图。
4.代码特点:参数化编程、参数可方便更改、代码编程思路清晰、注释明细。
部分代码
%% 清空环境变量
warning off % 关闭报警信息
close all % 关闭开启的图窗
clear % 清空变量
clc % 清空命令行
res = xlsread('data.xlsx');
%%
num_size = 0.7;% 训练集占数据集比例
dataran = 0; %不打乱数据
%%
%% 数据分析
outdim = 1; % 最后一列为输出
num_samples = size(res, 1); % 样本个数
num_train_s = round(num_size * num_samples); % 训练集样本个数
AA1 = res(1:num_train_s,:);
AA2 = res(num_train_s+1:end-1,:);
AA3 = res(end,:);
clear res;
if dataran == 1
AA1 = AA1(randperm(size(AA1, 1)), :); % 打乱数据集
AA2 = AA2(randperm(size(AA2, 1)), :); % 打乱数据集
end
res=[AA1;AA2;AA3];
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, end)';
M = size(P_train, 2);
P_test = res(num_train_s + 1: end, 1: f_)';
T_test = res(num_train_s + 1: end, end)';
N = size(P_test, 2);