區間預測 | MATLAB實現QRGRU門控循環單元分位數回歸時間序列區間預測

效果一覽

基本介紹

MATLAB實現QRGRU門控循環單元分位數回歸時間序列區間預測。基于分位數回歸的門控循環單元QRGRU的時間序列區間預測,多輸入單輸出模型 （Matlab完整程序和數據）
（主要應用于風速，負荷，功率）（Matlab完整程序和數據）
運行環境matlab2020及以上，輸入多個特征，輸出單個變量。
excel數據，方便學習和替換數據。

模型描述

分位數回歸是簡單的回歸，就像普通的最小二乘法一樣，但不是最小化平方誤差的總和，而是最小化從所選分位數切點產生的絕對誤差之和。如果 q=0.50（中位數），那么分位數回歸會出現一個特殊情況 - 最小絕對誤差（因為中位數是中心分位數）。我們可以通過調整超參數 q，選擇一個適合平衡特定于需要解決問題的誤報和漏報的閾值。GRU 有兩個有兩個門，即一個重置門（reset gate）和一個更新門（update gate）。從直觀上來說，重置門決定了如何將新的輸入信息與前面的記憶相結合，更新門定義了前面記憶保存到當前時間步的量。如果我們將重置門設置為 1，更新門設置為 0，那么我們將再次獲得標準 RNN 模型。

程序設計

• 完整程序和數據獲取方式(資源處下載):MATLAB實現QRGRU門控循環單元分位數回歸時間序列區間預測

% gru
layers = [ ...sequenceInputLayer(inputSize,'name','input')   %輸入層設置gruLayer(numhidden_units1,'Outputmode','sequence','name','hidden1') dropoutLayer(0.3,'name','dropout_1')gruLayer(numhidden_units2,'Outputmode','last','name','hidden2') dropoutLayer(0.3,'name','drdiopout_2')fullyConnectedLayer(outputSize,'name','fullconnect')   % 全連接層設置（影響輸出維度）（cell層出來的輸出層） %quanRegressionLayer('out',i)];
%-----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------
% 參數設定
opts = trainingOptions('adam', ...'MaxEpochs',10, ...'GradientThreshold',1,...'ExecutionEnvironment','cpu',...'InitialLearnRate',0.001, ...'LearnRateSchedule','piecewise', ...'LearnRateDropPeriod',2, ...   %2個epoch后學習率更新'LearnRateDropFactor',0.5, ...'Shuffle','once',...  % 時間序列長度'SequenceLength',1,...'MiniBatchSize',24,...'Verbose',0);
%-----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------
%
% 網絡訓練
%-----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------
y = Test.demand;
x = Test{:,3:end};
%-----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------
% 歸一化
[xnorm,xopt] = mapminmax(x',0,1);
xnorm = mat2cell(xnorm,size(xnorm,1),ones(1,size(xnorm,2)));
[ynorm,yopt] = mapminmax(y',0,1);
ynorm = ynorm';% 平滑層flattenLayer('Name','flatten')% GRU特征學習gruLayer(50,'Name','gru1','RecurrentWeightsInitializer','He','InputWeightsInitializer','He')% GRU輸出gruLayer(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');
————————————————
版權聲明：本文為CSDN博主「機器學習之心」的原創文章，遵循CC 4.0 BY-SA版權協議，轉載請附上原文出處鏈接及本聲明。
原文鏈接：https://blog.csdn.net/kjm13182345320/article/details/130447132

參考資料

[1] https://blog.csdn.net/kjm13182345320/article/details/127931217
[2] https://blog.csdn.net/kjm13182345320/article/details/127418340
[3] https://blog.csdn.net/kjm13182345320/article/details/127380096