Pronóstico de series de tiempo | MATLAB implementa el pronóstico de series de tiempo de red neuronal de memoria convolucional a largo plazo a largo plazo CNN-LSTM (pronóstico de energía eólica)
Tabla de contenido
efecto predictivo
introducción básica
1. MATLAB implementa la predicción de series de tiempo de redes neuronales de memoria a corto plazo convolucional a largo plazo CNN-LSTM (predicción de energía eólica); 2. El
entorno operativo es Matlab2021b;
3. Predicción de series de tiempo de una sola variable;
4. Los datos son un conjunto de datos. una sola variable de datos de Excel, MainCNN_LSTMTS.m es el programa principal, simplemente ejecútelo y coloque todos los archivos en una carpeta
5. La ventana de comando genera evaluaciones de múltiples índices de R2, MSE, RMSE, MAE y MAPE;
programación
- Código fuente completo y método de adquisición de datos: los blogueros de cartas privadas responden a MATLAB para implementar la predicción de series de tiempo de la red neuronal de memoria a corto plazo convolucional CNN-LSTM (predicción de energía eólica) ;
%% 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)])
Referencias
[1] https://blog.csdn.net/kjm13182345320/article/details/128577926?pm=1001.2014.3001.5501
[2] https://blog.csdn.net/kjm131823453320/details = 1001.2014 .3001.5501