目录
Matlab从2010b版本以后，神经网络工具箱已经升级为7.0，功能大大加强。在之前的版本做时间预测是比较麻烦操作的，MathWorks公司对时间序列预测做了详细的解决，跑模型非常简便。
下面通过一个例子演示在Matlab实现时间序列预测。
一、数据准备
极客范儿在夏天吹电扇的体温变化
| 时间 |
风速 |
温度 |
| 0 |
1 |
37.21405 |
| 0.12457 |
1.01 |
37.26016 |
| 0.24915 |
1.02 |
37.26324 |
| 0.37373 |
1.03 |
37.31242 |
| 0.4983 |
1.04 |
37.3155 |
| 0.62258 |
1.05 |
37.36468 |
| 0.74745 |
1.06 |
37.36776 |
| 0.87203 |
1.07 |
37.41694 |
| 0.99661 |
1.08 |
37.42002 |
| … |
… |
… |
% 原始数据读入到Matlab中
rawData=xlsread('time_series_data.xlsx','sheet1','A2:C52);
% 第一列时间，第二列风速，第三列温度
% yt第三列
y_t=rawData(:,3);
% xt第二列
x_t=rawData(:,2);
二、时间序列预测分类
时间序列预测分为三类：
1、输入为xt，输出是yt
即有过去的输入xt，也有过去的输出yt，同时当前的输出不仅依赖于过去的输入，也同时依赖于过去的输出
过去时间段温度的变化，预测将来某个时间温度的变化，这种情况就是只有过去的输出
% x_t - 时间序列输入
% y_t - 反馈时间序列
X = tonndata(x_t,false,false);
T = tonndata(y_t,false,false);
% 选择训练功能
% 'trainlm'通常是最快
% 'trainbr'耗时较长，但可能更适合解决挑战性的问题
% 'trainscg'使用更少的内存。适用于低内存情况
trainFcn = 'trainlm'; % Levenberg-Marquardt反向传播
% 创建一个非线性自回归网络
feedbackDelays = 1:6;
hiddenLayerSize = 20;
net = narnet(feedbackDelays,hiddenLayerSize,'open',trainFcn);
% 为训练和模拟准备数据
% PREPARETS函数为特定网络准备时间序列数据
% 移动时间的最小量，以声明填充输入状态和层
% 使用PREPARETS允许保留原始的时间序列数据不变,同时轻松定制它的网络与不同
% 具有开环或闭环反馈模式的延迟数
[x,xi,ai,t] = preparets(net,{},{},T);
% 建立训练，验证，测试的数据
net.divideParam.trainRatio = 70/100;
net.divideParam.valRatio = 15/100;
net.divideParam.testRatio = 15/100;
% 训练静态神经网络
[net,tr] = train(net,x,t,xi,ai);
% 测试神经网络
y = net(x,xi,ai);
e = gsubtract(t,y);
performance = perform(net,t,y)
% 查看神经网络
view(net)
% Plots
% Uncomment these lines to enable various plots.
%figure, plotperform(tr)
%figure, plottrainstate(tr)
%figure, ploterrhist(e)
%figure, plotregression(t,y)
%figure, plotresponse(t,y)
%figure, ploterrcorr(e)
%figure, plotinerrcorr(x,e)
% 提前预测网络
% 利用该网络进行多步预测
% CLOSELOOP函数将反馈输入替换为直接输入
% 从外部层连接
nets = removedelay(net);
nets.name = [net.name ' - Predict One Step Ahead'];
view(netc)
[xs,xis,ais,ts] = preparets(nets,X,{},T);
ys = nets(xs,xis,ais);
stepAheadPerformance = perform(nets,ts,ys)
2、有x值，有y值：NARX
只有过去的输出
如果给环境加一个风扇，这时候有了风速，过去时间风速在改变，同时也在影响温度的改变
Matlab现在提供时间序列预测工具箱，可以在图形界面上进行调参选择，使用命令ntstool打开时间序列预测工具箱
类似股票的模型，只知道早上9:30开市到11:30的股票行情，预测11:30之后的股票行情，不考虑任何的输入
(1)选择模型类型
(2)选择输出，只有y_t
(3)选择70%用来作为训练数据，15%用来作为验证使用，15%用来测试
(4)选择delay
(5)开始训练
(6)得到参数
(7)将神经网络导出代码
3、无x，有y值：NAR
没有线性的输入输出，很少遇到这种情况
三、总结
Matlab从2010b版本以后，使用图形界面训练网络调参，生成的代码与手敲的功能无异，Matlab时间序列预测工具箱实用而且好用。
到此这篇关于Matlab实现时间序列预测分类的文章就介绍到这了,更多相关Matlab时间序列预测内容请搜索python博客以前的文章或继续浏览下面的相关文章希望大家以后多多支持python博客！