【SVM时序预测】基于卷积神经网络结合支持向量机CNN-SVM实现期贷时序数据预测附matlab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

一种基于CNN和SVM的股价预测方法.包括采集多源数据,通过多源数据提取股价因子,将提取出来的股价因子样本数据进行量化处理,对股价因子进行评价筛选,构建股价波动模型,先利用卷积神经网络CNN对历史股价数据进行特征提取,再利用支持向量机SVM对提取出的特征进行易发性预测,对股价波动模型进行精度评价,输出最终的股价预测图.​

⛄ 部分代码

% 支持向量机用于收盘价预测，首先是未优化的，其次是优化后的

%% 清空环境

tic;clc;clear;close all;format compact

%% 加载数据

data=xlsread('EUA五分钟.xlsx','G2:G30763'); 

save data data

load data

% 归一化

[a,inputns]=mapminmax(data',0,1);%归一化函数要求输入为行向量

data_trans=data_process(5,a);%% 对时间序列预测建立滚动序列，即用1到m个数据预测第m+1个数据，然后用2到m+1个数据预测第m+2个数据

input=data_trans(:,1:end-1);

output=data_trans(:,end);

%% 数据集 前75%训练 后25%预测

m=round(size(data_trans,1)*0.75);

Pn_train=input(1:m,:);

Tn_train=output(1:m,:);

Pn_test=input(m+1:end,:);

Tn_test=output(m+1:end,:);

%% 1.没有优化的SVM

bestc=0.001;bestg=10;%c和g随机赋值 表示没有优化的SVM

t=0;%t=0为线性核函数,1-多项式。2rbf核函数

cmd = ['-s 3 -t ',num2str(t),' -c ', num2str(bestc),' -g ',num2str(bestg),' -p 0.01 -d 1'];  

figure

plot(predict0,'r-')

hold on;grid on

plot(T_test,'b-')

xlabel('样本编号')

ylabel('收盘价/元')

if t==0

    title('线性核SVM预测')

elseif t==1

    title('多项式核SVM预测')

else

    title('RBF核SVM预测')

end

legend('实际输出','期望输出')

figure

error_svm=abs(predict0-T_test)./T_test*100;%测试集每个样本的相对误差

plot(error_svm,'r-*')

xlabel('样本编号')

ylabel('收盘价相对误差/%')

if t==0

    title('线性核SVM预测的误差')

elseif t==1

    title('多项式核SVM预测的误差')

else

    title('RBF核SVM预测的误差')

end

grid on

error_svm=abs(predict0-T_test)./T_test*100;%测试集每个样本的相对误差

plot(error_svm,'r-*')

xlabel('样本编号')

ylabel('收盘价相对误差/%')

if t==0

    title('线性核SVM预测的误差')

elseif t==1

    title('多项式核SVM预测的误差')

else

    title('RBF核SVM预测的误差')

end

grid on

error_svm=abs(predict0-T_test)./T_test*100;%测试集每个样本的相对误差

plot(error_svm,'r-*')

xlabel('样本编号')

ylabel('收盘价相对误差/%')

if t==0

    title('线性核SVM预测的误差')

elseif t==1

    title('多项式核SVM预测的误差')

else

    title('RBF核SVM预测的误差')

end

grid on

img =gcf;  %获取当前画图的句柄

print(img, '-dpng', '-r600', './img4.png')           %即可得到对应格式和期望dpi的图像

figure

error_svm=abs(predict0-T_test)./T_test*100;%测试集每个样本的相对误差

plot(error_svm,'r-*')

xlabel('样本编号')

ylabel('收盘价相对误差/%')

if t==0

    title('线性核SVM预测的误差')

elseif t==1

    title('多项式核SVM预测的误差')

disp('优化前的均方误差')

mse_svm=mse(predict0-T_test)

disp('优化前的平均相对误差')

mre_svm=sum(abs(predict0-T_test)./T_test)/length(T_test)

disp('优化前的平均绝对误差')

abs_svm=mean(abs(predict0-T_test))

disp('优化前的归一化均方误差')

a=sum((predict0-T_test).^2)/length(T_test);

b=sum((predict0-mean(predict0)).^2)/(length(T_test)-1);

one_svm=a/b

toc %结束计时

⛄ 运行结果

⛄ 参考文献

[1]杨培. 基于支持向量机的金融时序数据预测算法研究[D]. 合肥工业大学, 2013.

[2]马永杰, 马芸婷, and 陈佳辉. "结合卷积神经网络多层特征和支持向量机的车辆识别." 激光与光电子学进展 56.14(2019):7.

[3]王毅, and 方志策. "一种基于CNN和SVM的洪水灾害易发性预测方法.", CN111079999A. 2020.

⛳️ 完整代码

❤️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