BO-RBF多变量时间序列 | Matlab 基于贝叶斯优化算法优化径向基函数神经网络(BO-RBF)的多变量时间序列预测...

BO-RBF多变量时间序列 | Matlab 基于贝叶斯优化算法优化径向基函数神经网络(BO-RBF)的多变量时间序列预测

目录

• BO-RBF多变量时间序列 | Matlab 基于贝叶斯优化算法优化径向基函数神经网络(BO-RBF)的多变量时间序列预测

• 效果一览
• 基本介绍
• 程序设计
• 参考资料

效果一览

基本介绍

BO-RBF多变量时间序列 | Matlab 基于贝叶斯优化算法优化径向基函数神经网络(BO-RBF)的多变量时间序列预测

程序平台：要求Matlab2023版以上

功能：
1、多变量特征输入，单序列变量输出。
2、提供MAPE、RMSE、MAE等计算结果展示。

适用领域：
风速预测、光伏功率预测、发电功率预测、碳价预测，交通流预测，等多种预测类应用。

使用便捷：
直接使用EXCEL表格导入数据，无需大幅修改程序。

程序设计

• 完整程序和数据下载私信博主回复Matlab 基于贝叶斯优化算法优化径向基函数神经网络(BO-RBF)的多变量时间序列预测。

登录后复制

%%  数据集分析
outdim = 1;                                  % 最后一列为输出
num_size = 0.7;                              % 训练集占数据集比例
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

%%  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)';
M = size(P_train, 2);

P_test = res(num_train_s + 1: end, 1: f_)';
T_test = res(num_train_s + 1: end, f_ + 1: end)';
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);

• 1.
• 2.
• 3.
• 4.
• 5.
• 6.
• 7.
• 8.
• 9.
• 10.
• 11.
• 12.
• 13.
• 14.
• 15.
• 16.
• 17.
• 18.
• 19.
• 20.

原创作者: u_15735367 转载于: https://blog.51cto.com/u_15735367/11784134