時序預測 | MATLAB實現基于BiLSTM雙向長短期記憶神經網絡的時間序列預測-遞歸預測未來(多指標評價)

預測結果

基本介紹

Matlab實現BiLSTM雙向長短期記憶神經網絡時間序列預測未來（完整源碼和數據）
Matlab實現BiLSTM雙向長短期記憶神經網絡時間序列預測未來（完整源碼和數據）
1.Matlab實現BiLSTM雙向長短期記憶神經網絡時間序列預測未來；
2.運行環境Matlab2018及以上，data為數據集，單變量時間序列預測；
3.遞歸預測未來數據，可以控制預測未來大小的數目，適合循環性、周期性數據預測；
4.命令窗口輸出R2、MAE、MAPE、MBE、MSE等評價指標；

程序設計

• 完整程序和數據獲取方式1：私信博主回復MATLAB實現基于BiLSTM雙向長短期記憶神經網絡的時間序列預測-遞歸預測未來(多指標評價)，同等價值程序兌換；
• 完整程序和數據下載方式2(資源處直接下載)：MATLAB實現基于BiLSTM雙向長短期記憶神經網絡的時間序列預測-遞歸預測未來(多指標評價))；
• 完整程序和數據下載方式3(訂閱《LSTM長短期記憶神經網絡》專欄，同時可閱讀《LSTM長短期記憶神經網絡》專欄內容，數據訂閱后私信我獲取)：MATLAB實現基于BiLSTM雙向長短期記憶神經網絡的時間序列預測-遞歸預測未來(多指標評價))，專欄外只能獲取該程序。

%% 創建混合網絡架構
% 輸入特征維度
numFeatures  = f_;
% 輸出特征維度
numResponses = 1;
FiltZise = 10;
%  創建模型layers = [...% 輸入特征sequenceInputLayer([numFeatures 1 1],'Name','input')sequenceFoldingLayer('Name','fold')% 特征學習(50,'Name','lstm1','RecurrentWeightsInitializer','He','InputWeightsInitializer','He')(optVars.NumOfUnits,'OutputMode',"last",'Name','bil4','RecurrentWeightsInitializer','He','InputWeightsInitializer','He')dropoutLayer(0.25,'Name','drop3')% 全連接層fullyConnectedLayer(numResponses,'Name','fc')regressionLayer('Name','output')    ];layers = layerGraph(layers);layers = connectLayers(layers,'fold/miniBatchSize','unfold/miniBatchSize');%% 訓練選項
% 批處理樣本
MiniBatchSize =128;
% 最大迭代次數
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');%% 訓練混合網絡
net = trainNetwork(XrTrain,YrTrain,layers,options);

參考資料

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