时序预测

时序预测 | MATLAB实现基于BiLSTM双向长短期记忆神经网络的时间序列预测-递归预测未来(多指标评价)

预测结果

基本介绍

Matlab实现BiLSTM双向长短期记忆神经网络时间序列预测未来（完整源码和数据）
Matlab实现BiLSTM双向长短期记忆神经网络时间序列预测未来（完整源码和数据）
1.Matlab实现BiLSTM双向长短期记忆神经网络时间序列预测未来；
2.运行环境Matlab2018及以上，data为数据集，单变量时间序列预测；
3.递归预测未来数据，可以控制预测未来大小的数目，适合循环性、周期性数据预测；
4.命令窗口输出R2、MAE、MAPE、MBE、MSE等评价指标；

程序设计

• 完整程序和数据获取方式1：私信博主回复MATLAB实现基于BiLSTM双向长短期记忆神经网络的时间序列预测-递归预测未来(多指标评价)，同等价值程序兑换；
• 完整程序和数据下载方式2(资源处直接下载)：MATLAB实现基于BiLSTM双向长短期记忆神经网络的时间序列预测-递归预测未来(多指标评价))；
• 完整程序和数据下载方式3(订阅《LSTM长短期记忆神经网络》专栏，同时可阅读《LSTM长短期记忆神经网络》专栏内容，数据订阅后私信我获取)：MATLAB实现基于BiLSTM双向长短期记忆神经网络的时间序列预测-递归预测未来(多指标评价))，专栏外只能获取该程序。

%% 创建混合网络架构
% 输入特征维度
numFeatures  = f_;
% 输出特征维度
numResponses = 1;
FiltZise = 10;
%  创建模型
    layers = [...
        % 输入特征
        sequenceInputLayer([numFeatures 1 1],'Name','input')
        sequenceFoldingLayer('Name','fold')
        % 特征学习
        (50,'Name','lstm1','RecurrentWeightsInitializer','He','InputWeightsInitializer','He')
       
        (optVars.NumOfUnits,'OutputMode',"last",'Name','bil4','RecurrentWeightsInitializer','He','InputWeightsInitializer','He')
        dropoutLayer(0.25,'Name','drop3')
        % 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
% 批处理样本
MiniBatchSize =128;
% 最大迭代次数
MaxEpochs = 500;
    options = trainingOptions( 'adam', ...
        'MaxEpochs',500, ...
        'GradientThreshold',1, ...
        'InitialLearnRate',optVars.InitialLearnRate, ...
        'LearnRateSchedule','piecewise', ...
        'LearnRateDropPeriod',400, ...
        'LearnRateDropFactor',0.2, ...
        'L2Regularization',optVars.L2Regularization,...
        'Verbose',false, ...
        'Plots','none');

%% 训练混合网络
net = trainNetwork(XrTrain,YrTrain,layers,options);

参考资料

[1] https://blog.csdn.net/kjm13182345320/article/details/129036772?spm=1001.2014.3001.5502
[2] https://blog.csdn.net/kjm13182345320/article/details/128690229