【CNN时序预测】基于卷积神经网络的时间序列预测附matlab完整代码

%%  清空环境变量warning off             % 关闭报警信息close all               % 关闭开启的图窗clear                   % 清空变量clc                     % 清空命令行%%  导入数据（时间序列的单列数据）result = xlsread('数据集.xlsx');%%  数据分析num_samples = length(result);  % 样本个数 kim = 15;                      % 延时步长（kim个历史数据作为自变量）zim =  1;                      % 跨zim个时间点进行预测%%  划分数据集for i = 1: num_samples - kim - zim + 1    res(i, :) = [reshape(result(i: i + kim - 1), 1, kim), result(i + kim + zim - 1)];end%%  划分训练集和测试集temp = 1: 1: 922;P_train = res(temp(1: 700), 1: 15)';T_train = res(temp(1: 700), 16)';M = size(P_train, 2);P_test = res(temp(701: end), 1: 15)';T_test = res(temp(701: end), 16)';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);%%  数据平铺% 将数据平铺成1维数据只是一种处理方式% 也可以平铺成2维数据，以及3维数据，需要修改对应模型结构% 但是应该始终和输入层数据结构保持一致p_train =  double(reshape(p_train, 15, 1, 1, M));p_test  =  double(reshape(p_test , 15, 1, 1, N));t_train =  double(t_train)';t_test  =  double(t_test )';%%  构造网络结构layers = [ imageInputLayer([15, 1, 1])                 % 输入层 输入数据规模[15, 1, 1]  convolution2dLayer([3, 1], 16, 'Stride', [1, 1], 'Padding', 'same')                                                           % 卷积核大小 3 * 1 生成 16 张特征图 batchNormalizationLayer                     % 批归一化层 reluLayer                                   % Relu激活层  convolution2dLayer([3, 1], 32, 'Stride', [1, 1], 'Padding', 'same')                                              % 卷积核大小 3 * 1 生成 32 张特征图 batchNormalizationLayer                     % 批归一化层 reluLayer                                   % Relu激活层 fullyConnectedLayer(1)                      % 全连接层 regressionLayer];                           % 回归层%%  参数设置options = trainingOptions('adam', ...      % Adam 梯度下降算法    'MaxEpochs', 800, ...                  % 最大训练次数 800    'InitialLearnRate', 5e-3, ...          % 初始学习率为 0.005    'LearnRateSchedule', 'piecewise', ...  % 学习率下降    'LearnRateDropFactor', 0.1, ...        % 学习率下降因子 0.1    'LearnRateDropPeriod', 600, ...        % 经过 600 次训练后 学习率为 0.005 * 0.1    'Shuffle', 'every-epoch', ...          % 每次训练打乱数据集    'Plots', 'training-progress', ...      % 画出曲线    'Verbose', false);%%  训练模型net = trainNetwork(p_train, t_train, layers, options);%%  模型预测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);%%  绘制网络分析图analyzeNetwork(layers)%%  绘图figureplot(1: M, T_train, 'r-', 1: M, T_sim1, 'b-', '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])gridfigureplot(1: N, T_test, 'r-', 1: N, T_sim2, 'b-', '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%%  相关指标计算% R2R1 = 1 - norm(T_train - T_sim1')^2 / norm(T_train - mean(T_train))^2;R2 = 1 - norm(T_test  - T_sim2')^2 / norm(T_test  - mean(T_test ))^2;disp(['训练集数据的R2为：', num2str(R1)])disp(['测试集数据的R2为：', num2str(R2)])% MAEmae1 = 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)])% MBEmbe1 = sum(T_sim1' - T_train) ./ M ;mbe2 = sum(T_sim2' - T_test ) ./ N ;disp(['训练集数据的MBE为：', num2str(mbe1)])disp(['测试集数据的MBE为：', num2str(mbe2)])%%  绘制散点图sz = 25;c = 'b';figurescatter(T_train, T_sim1, sz, c)hold onplot(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')figurescatter(T_test, T_sim2, sz, c)hold onplot(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')