✅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
基于卷积神经网络(CNN)的时间序列预测是一种使用CNN模型来处理时间序列数据并进行预测的方法。相比于传统的基于循环神经网络(RNN)的方法,CNN在处理时间序列数据时具有一些独特的优势。
以下是基于CNN的时间序列预测的基本步骤:
-
数据准备:将时间序列数据集分为训练集和测试集。训练集用于训练CNN模型,测试集用于评估模型的预测性能。
-
数据转换:由于CNN是基于图像处理的模型,需要将时间序列数据转换为二维图像数据。常用的方法有滑动窗口法和傅里叶变换法等。
-
CNN模型构建:构建一个包含卷积层、池化层和全连接层的CNN模型。卷积层用于提取时间序列数据中的特征,池化层用于降低特征维度,全连接层用于输出预测结果。
-
模型训练:使用训练集对CNN模型进行训练。通过反向传播算法更新模型的权重和偏置,以最小化预测误差。
-
模型预测:使用训练好的CNN模型对测试集进行预测。输入测试集的图像数据,通过前向传播算法得到预测结果。
-
模型评估:使用预测结果与测试集的真实值进行比较,计算预测误差、均方根误差等指标,评估模型的预测性能。
需要注意的是,基于CNN的时间序列预测方法可以利用CNN对时间序列数据的局部特征进行提取,并具有良好的并行性和可解释性。然而,在实际应用中,需要根据问题的复杂性和数据的特点来选择合适的CNN模型结构和参数设置,以获得更好的预测效果。同时,还可以结合其他技术和方法,如自注意力机制(self-attention)、残差网络(residual network)等,进一步提升预测性能。
⛄ 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
%% 划分数据集
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);
%% 数据平铺
% 将数据平铺成1维数据只是一种处理方式
% 也可以平铺成2维数据,以及3维数据,需要修改对应模型结构
% 但是应该始终和输入层数据结构保持一致
p_train = double(reshape(p_train, 15, 1, 1, M));
p_test = double(reshape(p_test , 15, 1, 1, N));
t_train = double(t_train)';
t_test = double(t_test )';
%% 构造网络结构
layers = [
imageInputLayer([15, 1, 1]) % 输入层 输入数据规模[15, 1, 1]
convolution2dLayer([3, 1], 16, 'Stride', [1, 1], 'Padding', 'same')
% 卷积核大小 3 * 1 生成 16 张特征图
batchNormalizationLayer % 批归一化层
reluLayer % Relu激活层
convolution2dLayer([3, 1], 32, 'Stride', [1, 1], 'Padding', 'same')
% 卷积核大小 3 * 1 生成 32 张特征图
batchNormalizationLayer % 批归一化层
reluLayer % Relu激活层
fullyConnectedLayer(1) % 全连接层
regressionLayer]; % 回归层
%% 参数设置
options = trainingOptions('adam', ... % Adam 梯度下降算法
'MaxEpochs', 800, ... % 最大训练次数 800
'InitialLearnRate', 5e-3, ... % 初始学习率为 0.005
'LearnRateSchedule', 'piecewise', ... % 学习率下降
'LearnRateDropFactor', 0.1, ... % 学习率下降因子 0.1
'LearnRateDropPeriod', 600, ... % 经过 600 次训练后 学习率为 0.005 * 0.1
'Shuffle', 'every-epoch', ... % 每次训练打乱数据集
'Plots', 'training-progress', ... % 画出曲线
'Verbose', false);
%% 训练模型
net = trainNetwork(p_train, t_train, layers, options);
%% 模型预测
t_sim1 = predict(net, p_train);
t_sim2 = predict(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);
%% 绘制网络分析图
analyzeNetwork(layers)
%% 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] 吴俊杰,罗宇,刘亮,等.一种基于卷积神经网络的时间序列负荷预测方法:CN202210198854.X[P].CN202210198854.X[2023-07-12].
[2] 胡聪丛.基于卷积神经网络的多变量时间序列数值预测方法研究[J].数码设计(下), 2019.
[3] 吴俊杰,罗宇,刘亮,等.一种基于卷积神经网络的时间序列负荷预测方法:202210198854[P][2023-07-12].