【BP时序预测】基于BP神经网络时间序列预测附MATLAB完整代码

%% BP神经网络时间序列预测%% 1.初始化clearclose allclcformat bank %2位小数，format short精确4位，format long精确15位%% 2.读取读取data0=xlsread('数据.xlsx'); % Matlab2021版本以上无法使用xlsread函数，可用Load函数替代  lag=5;   %lag代表延迟，即本网络的输入节点数for i=1:length(data0)-lag    data(i,:)=data0(i:i+lag)'; endinput=data(:,1:end-1);   output=data(:,end);      N=length(output);        %计算样本数量testNum=100;             %设定测试集样本数量trainNum=N-testNum;     %% 3.设置训练集和测试集input_train = input(1:trainNum,:)';                 % 训练集输入output_train =output(1:trainNum)';                  % 训练集输出input_test =input(trainNum+1:trainNum+testNum,:)';  % 测试集输入output_test =output(trainNum+1:trainNum+testNum)';  % 测试集输出%% 4.数据归一化[inputn,inputps]=mapminmax(input_train,0,1);        % 训练集输入归一化到[0,1]之间[outputn,outputps]=mapminmax(output_train);         % 训练集输出归一化到默认区间[-1, 1]inputn_test=mapminmax('apply',input_test,inputps);  % 测试集输入采用和训练集输入相同的归一化方式%% 5.求解最佳隐含层inputnum=size(input,2);   %size用来求取矩阵的行数和列数，1代表行数，2代表列数outputnum=size(output,2);disp(['输入层节点数：',num2str(inputnum),',  输出层节点数：',num2str(outputnum)])disp(['隐含层节点数范围为 ',num2str(fix(sqrt(inputnum+outputnum))+1),' 至 ',num2str(fix(sqrt(inputnum+outputnum))+10)])disp('')disp('最佳隐含层节点的确定...')%根据hiddennum=sqrt(m+n)+a，m为输入层节点数，n为输出层节点数，a取值[1,10]之间的整数MSE=1e+5;    %误差初始化for hiddennum=fix(sqrt(inputnum+outputnum))+1:fix(sqrt(inputnum+outputnum))+10        net=newff(inputn,outputn,hiddennum);  % 构建BP网络        % 设置网络参数    net.trainParam.epochs=1000;           % 设置训练次数    net.trainParam.lr=0.01;               % 设置学习速率    net.trainParam.goal=0.000001;         % 设置训练目标最小误差        % 进行网络训练    net=train(net,inputn,outputn);    an0=sim(net,inputn);     %仿真结果    mse0=mse(outputn,an0);   %仿真的均方误差    disp(['当隐含层节点数为',num2str(hiddennum),'时，训练集均方误差为：',num2str(mse0)])        %不断更新最佳的隐含层节点    if mse0<MSE        MSE=mse0;        hiddennum_best=hiddennum;    endenddisp(['最佳隐含层节点数为：',num2str(hiddennum_best),'，均方误差为：',num2str(MSE)])%% 6.构建最佳隐含层的BP神经网络net=newff(inputn,outputn,hiddennum_best);% 网络参数net.trainParam.epochs=1000;         % 训练次数net.trainParam.lr=0.01;             % 学习速率net.trainParam.goal=0.000001;       % 训练目标最小误差%% 7.网络训练net=train(net,inputn,outputn);      % train函数用于训练神经网络，调用蓝色仿真界面%% 8.网络测试an=sim(net,inputn_test);                     % 训练完成的模型进行仿真测试test_simu=mapminmax('reverse',an,outputps);  % 测试结果反归一化error=test_simu-output_test;                 % 测试值和真实值的误差%% 9.结果输出% 预测值和实际值的对比图figureplot(output_test,'bo-','linewidth',1)hold onplot(test_simu,'rs-','linewidth',1)legend('实际值','预测值')xlabel('测试样本'),ylabel('指标值')title('BP预测值和实际值的对比')set(gca,'fontsize',12)figureplot(error,'bo-','linewidth',1)xlabel('测试样本'),ylabel('预测误差')title('BP神经网络测试集的预测误差')set(gca,'fontsize',12)figure;plotregression(output_test,test_simu,['BP数据拟合图']);figure;ploterrhist(test_simu-output_test,['BP误差直方图']);%计算各项误差参数[~,len]=size(output_test);            % len获取测试样本个数，数值等于testNum，用于求各指标平均值SSE1=sum(error.^2);                   % 误差平方和MAE1=sum(abs(error))/len;             % 平均绝对误差MSE1=error*error'/len;                % 均方误差RMSE1=MSE1^(1/2);                     % 均方根误差MAPE1=mean(abs(error./output_test));  % 平均百分比误差% 显示各指标结果disp(' ')disp('各项误差指标结果：')disp(['误差平方和SSE为：',num2str(SSE1)])disp(['平均绝对误差MAE为：',num2str(MAE1)])disp(['均方误差MSE为：',num2str(MSE1)])disp(['均方根误差RMSE为：',num2str(RMSE1)])disp(['平均百分比误差MAPE为：',num2str(MAPE1*100),'%'])disp(['预测准确率为：',num2str(100-MAPE1*100),'%'])% 工作区中% output_test代表测试集% test_simu代表BP预测值% error代表BP误差