BILSTM-ABKDE区间预测，基于双向长短期记忆神经网络BILSTM结合自适应带宽核函数密度估计的多变量回归区间预测（点预测+概率预测+核密度估计）Matlab语言程序已调试好，无需更改代码直

BILSTM-ABKDE区间预测，基于双向长短期记忆神经网络BILSTM结合自适应带宽核函数密度估计的多变量回归区间预测（点预测+概率预测+核密度估计）

Matlab语言程序已调试好，无需更改代码直接替换Excel运行！

1.LSTM可以定做BILSTM/GRU/BIGRU/CNN-LSTM/CNN-BILSTM/CNN-GRU/CNN-BIGRU/CNN-LSTM-Attention/CNN-BILSTM-Attention/CNN-GRU-Attention/CNN-BIGRU-Attention结合自适应带宽核函数ABKDE密度估计的多变量回归区间预测.

2.自适应带宽核函数密度估计允许在每个数据点周围使用不同的核函数带宽，自适应带宽能够更好地匹配局部密度变化，因此它通常能够减少估计误差，特别是在数据密度变化较大的区域。相比于固定带宽的核密度估计，自适应带宽能够更准确地捕获数据分布的细节。

%%  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
res = xlsread('数据集.xlsx');

%%  数据分析
num_size = 0.75;                              % 训练集占数据集比例
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
f_ = size(res, 2) - outdim;                  % 输入特征维度
flag_conusion = 1;                        % 标志位为1，打开混淆矩阵（要求2018版本及以上）
%%  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, f_ + 1: end)';

P_test = res(num_train_s + 1: end, 1: f_)';
T_test = res(num_train_s + 1: end, f_ + 1: end)';
%%  划分训练集和测试集
M = size(P_train, 2);
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);
 

智能算法及其模型预测