【GRNN回归预测】基于GRNN实现流量回归预测附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

针对网络出口流量在时序上的复杂非线性特征,采用泛化回归神经网络GRNN(generalized regression NN)对网络流量时间序列进行预测.用自相关分析技术分析时间序列的延迟特性,据此确定GRNN神经网络的输入、输出向量,建立了基于MATLAB 6.5环境下GRNN神经网络的网络流量预测模型,并用黑龙江科技学院网络出口流量数据进行了验证.结果表明,该模型拟合精度和预测精度较高、计算速度较快.

⛄ 完整代码

%% 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

figure

plot(t_test,'ro-');hold on

plot(grnn_prediction_result,'bs-');hold on

xlabel('样本');

ylabel('数值')

legend('真实值','GRNN')

⛄ 运行结果

⛄ 参考文献

[1]卢斌, 慕亚茹, 徐一秋. 基于GRNN的网络出口流量预测[J]. 黑龙江科技信息, 2008(13):1.

[2]徐富强, 郑婷婷, and 方葆青. "基于广义回归神经网络(GRNN)的函数逼近." 巢湖学院学报 6(2010):6.

[3]秦旭达等. "基于GRNN的混联机器人铣削加工误差预测及补偿方法.", CN112733296A. 2021.

❤️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