基于卷积神经网络（CNN）的时间序列预测，15个输入1个输出，可以更改数据集，MATLAB代码

news/2024/11/7 6:27:11/

1. 数据收集与预处理

  • 数据清洗：处理缺失值、异常值等。
  • 特征工程：提取有助于预测的特征。
  • 数据标准化：将时间序列数据标准化，使其具有零均值和单位方差，有助于模型训练。
  • 滑动窗口划分：将时间序列数据划分为多个滑动窗口，每个窗口包含15个历史时间点的数据值，用于预测下一个时间点的值。
  • 数据集中部分数据如下：
0.491920000000000	0.493110000000000	0.493500000000000	0.493130000000000	0.493030000000000	0.493300000000000	0.494200000000000	0.493710000000000	0.496820000000000	0.517990000000000	0.520820000000000	0.519940000000000	0.526180000000000	0.539890000000000	0.539940000000000	0.544180000000000
0.493110000000000	0.493500000000000	0.493130000000000	0.493030000000000	0.493300000000000	0.494200000000000	0.493710000000000	0.496820000000000	0.517990000000000	0.520820000000000	0.519940000000000	0.526180000000000	0.539890000000000	0.539940000000000	0.544180000000000	0.546260000000000
0.493500000000000	0.493130000000000	0.493030000000000	0.493300000000000	0.494200000000000	0.493710000000000	0.496820000000000	0.517990000000000	0.520820000000000	0.519940000000000	0.526180000000000	0.539890000000000	0.539940000000000	0.544180000000000	0.546260000000000	0.548060000000000
0.493130000000000	0.493030000000000	0.493300000000000	0.494200000000000	0.493710000000000	0.496820000000000	0.517990000000000	0.520820000000000	0.519940000000000	0.526180000000000	0.539890000000000	0.539940000000000	0.544180000000000	0.546260000000000	0.548060000000000	0.546630000000000
0.493030000000000	0.493300000000000	0.494200000000000	0.493710000000000	0.496820000000000	0.517990000000000	0.520820000000000	0.519940000000000	0.526180000000000	0.539890000000000	0.539940000000000	0.544180000000000	0.546260000000000	0.548060000000000	0.546630000000000	0.555100000000000
0.493300000000000	0.494200000000000	0.493710000000000	0.496820000000000	0.517990000000000	0.520820000000000	0.519940000000000	0.526180000000000	0.539890000000000	0.539940000000000	0.544180000000000	0.546260000000000	0.548060000000000	0.546630000000000	0.555100000000000	0.563040000000000
0.494200000000000	0.493710000000000	0.496820000000000	0.517990000000000	0.520820000000000	0.519940000000000	0.526180000000000	0.539890000000000	0.539940000000000	0.544180000000000	0.546260000000000	0.548060000000000	0.546630000000000	0.555100000000000	0.563040000000000	0.579750000000000
0.493710000000000	0.496820000000000	0.517990000000000	0.520820000000000	0.519940000000000	0.526180000000000	0.539890000000000	0.539940000000000	0.544180000000000	0.546260000000000	0.548060000000000	0.546630000000000	0.555100000000000	0.563040000000000	0.579750000000000	0.565900000000000
0.496820000000000	0.517990000000000	0.520820000000000	0.519940000000000	0.526180000000000	0.539890000000000	0.539940000000000	0.544180000000000	0.546260000000000	0.548060000000000	0.546630000000000	0.555100000000000	0.563040000000000	0.579750000000000	0.565900000000000	0.563570000000000
0.517990000000000	0.520820000000000	0.519940000000000	0.526180000000000	0.539890000000000	0.539940000000000	0.544180000000000	0.546260000000000	0.548060000000000	0.546630000000000	0.555100000000000	0.563040000000000	0.579750000000000	0.565900000000000	0.563570000000000	0.564210000000000
0.520820000000000	0.519940000000000	0.526180000000000	0.539890000000000	0.539940000000000	0.544180000000000	0.546260000000000	0.548060000000000	0.546630000000000	0.555100000000000	0.563040000000000	0.579750000000000	0.565900000000000	0.563570000000000	0.564210000000000	0.560570000000000
0.519940000000000	0.526180000000000	0.539890000000000	0.539940000000000	0.544180000000000	0.546260000000000	0.548060000000000	0.546630000000000	0.555100000000000	0.563040000000000	0.579750000000000	0.565900000000000	0.563570000000000	0.564210000000000	0.560570000000000	0.558160000000000
0.526180000000000	0.539890000000000	0.539940000000000	0.544180000000000	0.546260000000000	0.548060000000000	0.546630000000000	0.555100000000000	0.563040000000000	0.579750000000000	0.565900000000000	0.563570000000000	0.564210000000000	0.560570000000000	0.558160000000000	0.561030000000000
0.539890000000000	0.539940000000000	0.544180000000000	0.546260000000000	0.548060000000000	0.546630000000000	0.555100000000000	0.563040000000000	0.579750000000000	0.565900000000000	0.563570000000000	0.564210000000000	0.560570000000000	0.558160000000000	0.561030000000000	0.561560000000000
0.539940000000000	0.544180000000000	0.546260000000000	0.548060000000000	0.546630000000000	0.555100000000000	0.563040000000000	0.579750000000000	0.565900000000000	0.563570000000000	0.564210000000000	0.560570000000000	0.558160000000000	0.561030000000000	0.561560000000000	0.560440000000000

2. 设计CNN模型

  • 确定输入输出：确定模型的输入（历史时间点的数量）和输出（预测的时间点数量）。
  • 构建卷积层：使用一维卷积层（Conv1D）来提取时间序列数据的特征。
  • 添加池化层：使用池化层（如MaxPooling1D）来降低特征维度，提高模型的泛化能力。
  • 添加全连接层：在卷积和池化层之后添加全连接层（Dense），用于学习特征的组合并输出预测结果。
    在这里插入图片描述

3. 编译模型

  • 选择损失函数：对于回归问题，通常使用均方误差（MSE）作为损失函数。
  • 选择优化器：常用的优化器包括Adam、SGD等。
  • 选择评估指标：常用的评估指标包括均方根误差（RMSE）。

4. 训练模型

  • 划分数据集：将数据集划分为训练集、验证集和测试集。
  • 模型训练：使用训练集数据训练模型，并在验证集上进行模型评估，以防止过拟合。
  • 超参数调优：调整模型的超参数，如卷积核大小、卷积层数量、学习率等，以获得更好的性能。
    在这里插入图片描述

5. 模型评估与测试

  • 评估模型：在测试集上评估模型的性能，使用RMSE等指标。
  • 结果分析：分析模型预测结果与实际值之间的差异，评估模型的准确性和泛化能力。

在这里插入图片描述
在这里插入图片描述

6. 部分MATLAB示例

%%  绘图
figure
plot(1: M, T_train, 'r-*', 1: M, T_sim1, 'b-o', '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])
gridfigure
plot(1: N, T_test, 'r-*', 1: N, T_sim2, 'b-o', '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
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')

7. 完整MATLAB代码见下方名片


http://www.ppmy.cn/news/1544980.html

相关文章

linux资源优化

linux资源优化

1.思考步骤 查看资源使用的详细情况根据使用情况决定分配策略修改资源分配 2.如何查看运行中的使用的详细情况？ 进程跟踪：top查看打开的文件：lsof lsof的输出、包含以下字段。  COMMAND：拥有文件描述符的的进程对应的命令…
阅读更多...
速盾：高防cdn遭受攻击会瘫痪吗？

速盾：高防cdn遭受攻击会瘫痪吗？

在互联网时代，网络安全问题日益突出，各种攻击手段层出不穷。在这个背景下，高防CDN（Content Delivery Network）作为一种常见的安全防护技术，受到了广泛应用。但是，很多人对高防CDN遭受攻击后的表…
阅读更多...
每日OJ题_牛客_小红的口罩_堆+贪心_C++_Java

每日OJ题_牛客_小红的口罩_堆+贪心_C++_Java

目录 牛客_小红的口罩_堆贪心 题目解析 C代码 Java代码 牛客_小红的口罩_堆贪心 小红的口罩 描述： 疫情来了，小红网购了 n个口罩。众所周知，戴口罩是很不舒服的。小红每个口罩戴一天的初始不舒适度为 ai​。 小红有时候…
阅读更多...
SQL中的IN语句和EXISTS语句

SQL中的IN语句和EXISTS语句

大家好，使用SQL时经常需要根据其他表的值过滤数据，常见方法是使用IN和EXISTS子句。这两者都用于检查子查询中值的存在，但它们的工作方式略有不同，并可能对性能产生不同影响。本文将探讨IN和EXISTS的定义、工作原理及其使用场景&am…
阅读更多...
Spring 中的各种 Editor，其实都是java.beans包中PropertyEditor的实现类

Spring 中的各种 Editor，其实都是java.beans包中PropertyEditor的实现类

java Bean规范中有这样一个接口,PropertyEditor，从这个接口的名字来看，是用来进行编辑属性的，那自然是编辑对象的属性。 1.为什么需要属性编辑器呢 我们通常会在类型定义各种类型的属性，通常我们自己通过new创建对象，并…
阅读更多...
【elkb】创建用户和角色

【elkb】创建用户和角色

在使用中我们不能把超管的用户信息给到所有者，我们需要为不用的使用场景创建不同的用户。 登录管理员用户 打开管理页面 创建角色 点击角色，创建角色 填写角色信息 设置Kibana 权限 最后点击创建角色 创建用户 点击用户--->创建用户 填写信息 登录…
阅读更多...
云渲染与汽车CGI图像技术优势和劣势

云渲染与汽车CGI图像技术优势和劣势

在数字时代，云渲染技术以其独特的优势在汽车CGI图像制作中占据了重要地位。云渲染通过利用云计算的分布式处理能力，将渲染任务分配给云端的服务器集群进行计算，从而实现高效、高质量的渲染效果。 这种技术的优势主要体现在以下几个方面&#…
阅读更多...
MySQL日期时间函数大全

MySQL日期时间函数大全

DAYOFWEEK(date) 　返回日期date是星期几(1星期天,2星期一,……7星期六,ODBC标准) mysql> select DAYOFWEEK(1998-02-03); 　　-> 3 WEEKDAY(date) 　返回日期date是星期几(0星期一,1星期二,……6 星期天)。 mysql> select WEEKDAY(1997-10-04 22:23:00); 　　-> 5…
阅读更多...
最新文章

Copyright @ 2022~2023