0
点赞
收藏
分享

微信扫一扫

时序预测 | MATLAB实现CNN-GRU卷积门控循环单元时间序列预测(风电功率预测)


时序预测 | MATLAB实现CNN-GRU卷积门控循环单元时间序列预测(风电功率预测)


目录

  • 时序预测 | MATLAB实现CNN-GRU卷积门控循环单元时间序列预测(风电功率预测)
  • 预测效果
  • 基本介绍
  • 程序设计
  • 参考资料


预测效果

时序预测 | MATLAB实现CNN-GRU卷积门控循环单元时间序列预测(风电功率预测)_风电功率预测


时序预测 | MATLAB实现CNN-GRU卷积门控循环单元时间序列预测(风电功率预测)_卷积门控循环单元_02


时序预测 | MATLAB实现CNN-GRU卷积门控循环单元时间序列预测(风电功率预测)_时间序列预测_03

时序预测 | MATLAB实现CNN-GRU卷积门控循环单元时间序列预测(风电功率预测)_时间序列_04


时序预测 | MATLAB实现CNN-GRU卷积门控循环单元时间序列预测(风电功率预测)_风电功率预测_05


时序预测 | MATLAB实现CNN-GRU卷积门控循环单元时间序列预测(风电功率预测)_时间序列预测_06

时序预测 | MATLAB实现CNN-GRU卷积门控循环单元时间序列预测(风电功率预测)_时间序列预测_07


时序预测 | MATLAB实现CNN-GRU卷积门控循环单元时间序列预测(风电功率预测)_CNN-GRU_08


时序预测 | MATLAB实现CNN-GRU卷积门控循环单元时间序列预测(风电功率预测)_时间序列预测_09

时序预测 | MATLAB实现CNN-GRU卷积门控循环单元时间序列预测(风电功率预测)_时间序列预测_10

基本介绍

1.时序预测 | MATLAB实现CNN-GRU卷积门控循环单元时间序列预测(风电功率预测);
2.运行环境为Matlab2021b;
3.单个变量时间序列预测;
4.data为数据集,单个变量excel数据,MainCNN_GRUTS.m为主程序,运行即可,所有文件放在一个文件夹;
5.命令窗口输出R2、MSE、RMSE、MAE、MAPE多指标评价;

程序设计

  • 完整源码和数据获取方式:私信博主回复MATLAB实现CNN-GRU卷积门控循环单元时间序列预测(风电功率预测)

%% 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);


%%  相关指标计算

%  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)])

%% 平均绝对百分比误差MAPE
MAPE1 = mean(abs((T_train - T_sim1')./T_train));
MAPE2 = mean(abs((T_test - T_sim2')./T_test));

disp(['训练集数据的MAPE为:', num2str(MAPE1)])
disp(['测试集数据的MAPE为:', num2str(MAPE2)])

%  MBE
mbe1 = sum(abs(T_sim1' - T_train)) ./ M ;
mbe2 = sum(abs(T_sim1' - T_train)) ./ N ;

disp(['训练集数据的MBE为:', num2str(mbe1)])
disp(['测试集数据的MBE为:', num2str(mbe2)])

%均方误差 MSE
mse1 = sum((T_sim1' - T_train).^2)./M;
mse2 = sum((T_sim2' - T_test).^2)./N;

disp(['训练集数据的MSE为:', num2str(mse1)])
disp(['测试集数据的MSE为:', num2str(mse2)])


举报

相关推荐

0 条评论