✅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👇
⛄ 内容介绍
基于径向基神经网络(Radial Basis Function Neural Network, RBFNN)的时间序列预测是一种常见的预测方法,下面将介绍基本原理和步骤。
-
数据准备:将时间序列数据进行预处理,包括去除趋势、平稳化、归一化等操作,以提高预测的准确性。
-
特征提取:根据具体需求,提取适当的特征用于预测。常见的特征包括时间延迟、滞后项、移动平均值等。
-
网络结构设计:
-
输入层:根据选择的特征,设计相应数量的输入节点。
-
隐含层:使用径向基函数(如高斯函数)作为激活函数,设计适当数量的隐含层节点。
-
输出层:设计一个输出节点或多个输出节点,用于预测目标变量。
-
-
网络训练:
-
初始化权重和偏置:随机初始化网络的权重和偏置。
-
前向传播:将输入数据通过隐含层传递到输出层,得到预测结果。
-
反向传播:计算预测结果与实际值之间的误差,并通过反向传播算法调整权重和偏置。
-
重复迭代:重复进行前向传播和反向传播,直到达到停止条件(如达到最大迭代次数或误差小于阈值)。
-
-
预测结果:
-
使用训练好的RBFNN进行时间序列预测,将输入数据通过前向传播得到预测结果。
-
根据需要,可以对预测结果进行后处理,如逆归一化、反平稳化等操作。
-
需要注意的是,RBFNN的性能和预测准确性与网络结构的设计、特征的选择和数据的准备密切相关。在实际应用中,还需要进行交叉验证、参数调优等操作,以确保获得最佳的预测结果。
⛄ 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
%% 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 = 15; % 延时步长(kim个历史数据作为自变量)
zim = 1; % 跨zim个时间点进行预测
%% 构造数据集
for i = 1: num_samples - kim - zim + 1
res(i, :) = [reshape(result(i: i + kim - 1), 1, kim), result(i + kim + zim - 1)];
end
%% 划分训练集和测试集
temp = 1: 1: 922;
P_train = res(temp(1: 700), 1: 15)';
T_train = res(temp(1: 700), 16)';
M = size(P_train, 2);
P_test = res(temp(701: end), 1: 15)';
T_test = res(temp(701: end), 16)';
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);
%% 创建网络
rbf_spread = 1000; % 径向基函数的扩展速度
net = newrbe(p_train, t_train, rbf_spread);
%% 仿真测试
t_sim1 = sim(net, p_train);
t_sim2 = sim(net, p_test );
%% 数据反归一化
T_sim1 = mapminmax('reverse', t_sim1, ps_output);
T_sim2 = mapminmax('reverse', t_sim2, ps_output);
%% 均方根误差
error1 = sqrt(sum((T_sim1 - T_train).^2) ./ M);
error2 = sqrt(sum((T_sim2 - T_test ).^2) ./ N);
%% 查看网络结构
view(net)
%% 绘图
figure
plot(1: M, T_train, 'r-', 1: M, T_sim1, 'b-', 'LineWidth', 1)
legend('真实值', '预测值')
xlabel('预测样本')
ylabel('预测结果')
string = {'训练集预测结果对比'; ['RMSE=' num2str(error1)]};
title(string)
xlim([1, M])
grid
figure
plot(1: N, T_test, 'r-', 1: N, T_sim2, 'b-', 'LineWidth', 1)
legend('真实值', '预测值')
xlabel('预测样本')
ylabel('预测结果')
string = {'测试集预测结果对比'; ['RMSE=' num2str(error2)]};
title(string)
xlim([1, N])
grid
%% 相关指标计算
% R2
R1 = 1 - norm(T_train - T_sim1)^2 / norm(T_train - mean(T_train))^2;
R2 = 1 - norm(T_test - T_sim2)^2 / norm(T_test - mean(T_test ))^2;
disp(['训练集数据的R2为:', num2str(R1)])
disp(['测试集数据的R2为:', num2str(R2)])
% MAE
mae1 = sum(abs(T_sim1 - T_train)) ./ M ;
mae2 = sum(abs(T_sim2 - T_test )) ./ N ;
disp(['训练集数据的MAE为:', num2str(mae1)])
disp(['测试集数据的MAE为:', num2str(mae2)])
% MBE
mbe1 = sum(T_sim1 - T_train) ./ M ;
mbe2 = sum(T_sim2 - T_test ) ./ N ;
disp(['训练集数据的MBE为:', num2str(mbe1)])
disp(['测试集数据的MBE为:', num2str(mbe2)])
%% 绘制散点图
sz = 25;
c = 'b';
figure
scatter(T_train, T_sim1, sz, c)
hold on
plot(xlim, ylim, '--k')
xlabel('训练集真实值');
ylabel('训练集预测值');
xlim([min(T_train) max(T_train)])
ylim([min(T_sim1) max(T_sim1)])
title('训练集预测值 vs. 训练集真实值')
figure
scatter(T_test, T_sim2, sz, c)
hold on
plot(xlim, ylim, '--k')
xlabel('测试集真实值');
ylabel('测试集预测值');
xlim([min(T_test) max(T_test)])
ylim([min(T_sim2) max(T_sim2)])
title('测试集预测值 vs. 测试集真实值')
⛄ 运行结果
⛄ 参考文献
[1] 赵金宪,于光华.瓦斯浓度预测的混沌时序RBF神经网络模型[J].黑龙江科技学院学报, 2010, 20(002):131-134.DOI:10.3969/j.issn.1671-0118.2010.02.012.
[2] 曹先珍.基于径向基函数网络的经济时序预测模型[J].武汉工业学院学报, 2005, 24(1):3.DOI:CNKI:SUN:WHSP.0.2005-01-00P.
[3] 何迎生,段明秀.基于RBF神经网络的时间序列预测[J].吉首大学学报:自然科学版, 2008, 29(3):4.DOI:10.3969/j.issn.1007-2985.2008.03.015.