0
点赞
收藏
分享

微信扫一扫

区间预测 | Matlab实现BP-KDE的BP神经网络结合核密度估计多变量时序区间预测


区间预测 | Matlab实现BP-KDE的BP神经网络结合核密度估计多变量时序区间预测


目录

  • 区间预测 | Matlab实现BP-KDE的BP神经网络结合核密度估计多变量时序区间预测
  • 效果一览
  • 基本介绍
  • 程序设计
  • 参考资料


效果一览

区间预测 | Matlab实现BP-KDE的BP神经网络结合核密度估计多变量时序区间预测_区间预测


区间预测 | Matlab实现BP-KDE的BP神经网络结合核密度估计多变量时序区间预测_多变量时序_02


区间预测 | Matlab实现BP-KDE的BP神经网络结合核密度估计多变量时序区间预测_区间预测_03

区间预测 | Matlab实现BP-KDE的BP神经网络结合核密度估计多变量时序区间预测_区间预测_04


区间预测 | Matlab实现BP-KDE的BP神经网络结合核密度估计多变量时序区间预测_核密度估计_05

区间预测 | Matlab实现BP-KDE的BP神经网络结合核密度估计多变量时序区间预测_BP神经网络_06


区间预测 | Matlab实现BP-KDE的BP神经网络结合核密度估计多变量时序区间预测_区间预测_07

基本介绍

1.BP-KDE多变量时间序列区间预测,基于BP神经网络多变量时序区间预测,BP神经网络的核密度估计下置信区间预测。
2.含点预测图、置信区间预测图、核密度估计图,区间预测(区间覆盖率PICP、区间平均宽度百分比PINAW、),点预测多指标输出(MAE、RMSE、 MSE),多输入单输出。
3.运行环境为Matlab2018b及以上;
4.输入多个特征,输出单个变量,考虑历史特征的影响,多变量时间序列区间预测;
5.data为数据集,main.m为主程序,运行即可,所有文件放在一个文件夹。

累积分布函数(CDF)
估计误差小于实际误差:估计累计误差分布的大小小于实际累计误差分布的大小。说明在误差估计方法对系统的噪声或者不确定性进行了较好的建模,并且能够对误差进行较为准确的预测。

程序设计

  • 完整程序和数据获取方式:私信博主回复Matlab实现BP-KDE的BP神经网络结合核密度估计多变量时序区间预测

%%  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);

%%  转置以适应模型
p_train = p_train'; p_test = p_test';
t_train = t_train'; t_test = t_test';


举报

相关推荐

0 条评论