回归预测 | MATLAB实现TCN-GRU时间卷积门控循环单元多输入单输出回归预测

这篇具有很好参考价值的文章主要介绍了回归预测 | MATLAB实现TCN-GRU时间卷积门控循环单元多输入单输出回归预测。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

回归预测 | MATLAB实现TCN-LSTM时间卷积长短期记忆神经网络多输入单输出回归预测

预测效果

回归预测 | MATLAB实现TCN-GRU时间卷积门控循环单元多输入单输出回归预测,回归预测,TCN-GRU,多输入单输出回归预测,时间卷积门控循环单元

回归预测 | MATLAB实现TCN-GRU时间卷积门控循环单元多输入单输出回归预测,回归预测,TCN-GRU,多输入单输出回归预测,时间卷积门控循环单元
回归预测 | MATLAB实现TCN-GRU时间卷积门控循环单元多输入单输出回归预测,回归预测,TCN-GRU,多输入单输出回归预测,时间卷积门控循环单元

回归预测 | MATLAB实现TCN-GRU时间卷积门控循环单元多输入单输出回归预测,回归预测,TCN-GRU,多输入单输出回归预测,时间卷积门控循环单元
回归预测 | MATLAB实现TCN-GRU时间卷积门控循环单元多输入单输出回归预测,回归预测,TCN-GRU,多输入单输出回归预测,时间卷积门控循环单元
回归预测 | MATLAB实现TCN-GRU时间卷积门控循环单元多输入单输出回归预测,回归预测,TCN-GRU,多输入单输出回归预测,时间卷积门控循环单元

基本介绍

1.Matlab实现TCN-GRU时间卷积门控循环单元多输入单输出回归预测;
2.运行环境为Matlab2021b;
3.输入多个特征,输出单个变量,多变量回归预测;
4.data为数据集,excel数据,前7列输入,最后1列输出,MainTCN_GRUNN.m为主程序,运行即可,所有文件放在一个文件夹;
5.命令窗口输出RMSE、MAE、MAPE多指标评价;
TCN 模型通过一维因果卷积对过去的数据进行提取,保证时序性,残差连接加快收敛速度,扩张卷积实现时序特征提取。GRU 模型作为循环神经
网络的变种,具有非线性拟合能力,能够有效提取数据特征,且在保障得到与LSTM 相近预测效果的同时获得更快的收敛速度。文中将两者结合搭建了TCN-GRU模型。

模型描述

由于TCN 具有扩张因果卷积结构,拥有突出的特征提取能力,因此可对原始特征进行融合获得高维的抽象特征,加强了对特征信息的挖掘。而
GRU 网络具有强大的时序预测能力,将TCN 和GRU网络结合,通过TCN 特征提取后输入至GRU 网络,提高了GRU 网络记忆单元的处理效
率,使得预测模型更有效地学习时间序列的复杂交互关系。因此,本文搭建了TCN-GRU预测模型。

回归预测 | MATLAB实现TCN-GRU时间卷积门控循环单元多输入单输出回归预测,回归预测,TCN-GRU,多输入单输出回归预测,时间卷积门控循环单元

TCN-GRU是一种将时间卷积神经网络(TCN)和门控循环单元(GRU)结合在一起的神经网络模型。TCN是一种能够处理序列数据的卷积神经网络,它能够捕捉到序列中的长期依赖关系。GRU则是一种具有记忆单元的递归神经网络,它能够处理序列数据中的短期和长期依赖。
TCN-GRU模型的输入可以是多个序列,每个序列可以是不同的特征或变量。例如,如果我们想预测某个城市未来一周的平均温度,我们可以将过去一段时间内的温度、湿度、气压等多个变量作为输入序列。模型的输出是一个值,即未来某个时间点的平均温度。
在TCN-GRU中,时间卷积层用于捕捉序列中的长期依赖关系,GRU层用于处理序列中的短期和长期依赖。多个输入序列被合并成一个张量,然后送入TCN-GRU网络进行训练。在训练过程中,模型优化目标是最小化预测输出与真实值之间的差距。
TCN-GRU模型在时间序列预测和回归问题上表现良好,特别是对于长期依赖的序列数据。它可以被用于许多应用场景,例如股票价格预测、交通流量预测等。

程序设计

  • 完整源码和数据获取方式1:私信博主回复MATLAB实现TCN-GRU时间卷积门控循环单元多输入单输出回归预测
  • 完整程序和数据下载方式2(订阅《组合优化》专栏,同时获取《组合优化》专栏收录的任意8份程序,数据订阅后私信我获取):MATLAB实现MATLAB实现TCN-GRU时间卷积门控循环单元多输入单输出回归预测
%% 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)])

参考资料

[1] https://blog.csdn.net/kjm13182345320/article/details/128577926?spm=1001.2014.3001.5501
[2] https://blog.csdn.net/kjm13182345320/article/details/128573597?spm=1001.2014.3001.5501文章来源地址https://www.toymoban.com/news/detail-601056.html

到了这里,关于回归预测 | MATLAB实现TCN-GRU时间卷积门控循环单元多输入单输出回归预测的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网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TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包