多维时序 | Matlab实现GRU-Adaboost和GRU多变量时间序列预测对比
目录
- 多维时序 | Matlab实现GRU-Adaboost和GRU多变量时间序列预测对比
- 预测效果
- 基本介绍
- 模型描述
- 程序设计
- 参考资料
预测效果
基本介绍
多维时序 | Matlab实现GRU-Adaboost和GRU多变量时间序列预测对比
模型描述
Matlab实现GRU-Adaboost和GRU多变量时间序列预测对比(完整程序和数据)
1.输入多个特征,输出单个变量;
2.考虑历史特征的影响,多变量时间序列预测;
4.csv数据,方便替换;
5.运行环境Matlab2020b及以上;
6.输出误差对比图。
程序设计
- 完整程序和数据获取方式1:同等价值程序兑换;
- 完整程序和数据获取方式2:私信博主回复Matlab实现GRU-Adaboost和GRU多变量时间序列预测对比获取
- 完整程序和数据获取方式3(直接下载):Matlab实现GRU-Adaboost和GRU多变量时间序列预测对比。
(32,'OutputMode',"last",'Name','bil4','RecurrentWeightsInitializer','He','InputWeightsInitializer','He')dropoutLayer(0.25,'Name','drop2')% 全连接层fullyConnectedLayer(numResponses,'Name','fc')regressionLayer('Name','output') ];layers = layerGraph(layers);layers = connectLayers(layers,'fold/miniBatchSize','unfold/miniBatchSize');
%-----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------
%% 训练选项
if gpuDeviceCount>0mydevice = 'gpu';
elsemydevice = 'cpu';
endoptions = trainingOptions('adam', ...'MaxEpochs',MaxEpochs, ...'MiniBatchSize',MiniBatchSize, ...'GradientThreshold',1, ...'InitialLearnRate',learningrate, ...'LearnRateSchedule','piecewise', ...'LearnRateDropPeriod',56, ...'LearnRateDropFactor',0.25, ...'L2Regularization',1e-3,...'GradientDecayFactor',0.95,...'Verbose',false, ...'Shuffle',"every-epoch",...'ExecutionEnvironment',mydevice,...'Plots','training-progress');
%% 模型训练
rng(0);
net = trainNetwork(XrTrain,YrTrain,layers,options);
%-----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------
%% 测试数据预测
% 测试集预测
YPred = predict(net,XrTest,"ExecutionEnvironment",mydevice,"MiniBatchSize",numFeatures);
YPred = YPred';
% 数据反归一化
YPred = sig.*YPred + mu;
YTest = sig.*YTest + mu;
————————————————
版权声明:本文为CSDN博主「机器学习之心」的原创文章,遵循CC 4.0 BY-SA版权协议,转载请附上原文出处链接及本声明。
参考资料
[1] http://t.csdn.cn/pCWSp
[2] https://download.csdn.net/download/kjm13182345320/87568090?spm=1001.2014.3001.5501
[3] https://blog.csdn.net/kjm13182345320/article/details/129433463?spm=1001.2014.3001.5501