企业官网建设流程全解析

目录

原理简介

原理一：递归预测

原理二：DBN-ELM模型

数据输入格式

结果展示

部分代码展示

完整代码获取

后台有很多小伙伴问我，时间序列到底怎么预测未来值？大多数论文里，大家都只划分训练集测试集然后评估精度就结束了，这也无可厚非，毕竟论文也不需要落地。

但在实际应用上，仍然有很多小伙伴需要获取未来值，但论文里没有给出具体的实现方式。其实，预测未来值的方式有很多种，今天给大家带来一期基于DBN-ELM模型的递归预测思想来获取单列时间序列的代码，同时也包含训练集与测试集的精度。

需要说明的是，本期代码质量也非常高，而且这个模型非常小众，属于组合模型的一种，既可以替换成你自己想要的其他模型，又可以加入优化算法增加工作量，审稿人看了也能眼前一亮。

需要完整代码的朋友可直接拉到最后~

您只需做的工作：替换Excel数据，一键运行main文件！非常适合新手小白！

原理简介

原理一：递归预测

首先，递归预测的核心思想是利用已建立的模型和历史数据，逐步递归地预测未来多个时间点的值，也就是首先预测下一时刻的数据，然后将这个预测值作为已知信息，继续预测再下一个时刻的数据，如此循环，直到预测出所需的未来时间段的数据。

举个简单的例子，比如[1, 2, 3, 4, 5]，预测下一个值是[6]，那下一轮就是变成[2, 3, 4, 5, 6]去预测下一个值。

原理二：DBN-ELM模型

DBN和ELM的原理网上有很多，这里就不给大家介绍了。这里给大家介绍下DBN-ELM模型的原理：

假设一个DBN含有n层隐含层，首先通过贪婪训练方式对前n-1层隐含层进行初始化训练，而第n-1个隐含层到第n个隐含层及第n个隐含层到输出层的偏置和权重由ELM 确定。设m为第n个隐含层的神经元的数据，l为第n-1个隐含层神经元的数据，则此网络可表示为：

预测的最优结果是输出误差最小，进一步则有：

通过上式，使下式成立，即：

上式可以转化为：

式中，On表示第n-1层到第n层的输出，具体如下式表示：

此时，训练该网络，使得下式成立：

此处，将DBN最后一层隐含层视为一个单隐层神经网络，采用ELM算法对其进行训练。此时DBN-ELM模型的输出权重根据下式进行求解：

网络结构图如下：

参考文献：[1]李沂蔓.基于深度信念极限学习机的化工过程软测量方法研究[D].淮阴工学院,2023.

数据输入格式

本期推文采用的是经典的Excel时间序列数据集，非常方便！即代码中所用数据为测试数据，无实际含义，其中第一列为时间（可放可不放，非必须），第二列为数据。

替换自己的数据集时，只需替换第二列数据即可，时间一列无需输入（因为代码不会识别时间），无需更改代码直接替换数据即可，非常方便，适合新手小白！

需要注意的是，batchsize必须设置为一个能够被样本数整除的数~比如我的数据样本数为420，那设置为20就没问题~又或者，你的数据样本数如果是396，不能被20整除，那肯定会报错，此时设置为12即可。

结果展示

这里设置训练集比例为70%，测试集比例为30%，延时步长为12，预测未来100行数据，得到的结果如下所示：

预测未来效果图：

训练集预测结果图：

测试集预测结果图：

损失函数图：

3张线性拟合图：

误差直方图：

预测结果展示：

可以看到，CNN-LSTM-Attention模型能够较好预测未来趋势，当然，由于深度学习模型迭代具有随机性，因此每次运行结果可能会不同，小伙伴们也可以自行设置一个随机数防止此类情况的发生~

当然，我们的文件夹里面也非常清晰，没有乱七八糟的文件，您只需运行的文件只有main一个，直接点击运行即可出图！不信可以看下面截图！

部分代码展示

%% 清空环境变量 warning off % 关闭报警信息 close all % 关闭开启的图窗 clear % 清空变量 clc % 清空命令行 %% 添加路径 addpath('DBN_ToolBox\') %% 导入数据（时间序列的单列数据） result = xlsread('数据集.xlsx'); %% 数据分析 num_samples = length(result); % 样本个数 kim = 12; % 延时步长（kim个历史数据作为自变量） zim = 1; % 预测未来多少数据（跨zim个时间点进行预测） ST = 100; % 递归预测未来多少数据 %% 划分数据集 for i = 1: num_samples - kim - zim + 1 res(i, :) = [reshape(result(i: i + kim - 1), 1, kim), result(i + kim + zim - 1)]; end %% 数据集分析 outdim = 1; % 最后一列为输出 num_size = 0.7; % 训练集占数据集比例 num_train_s = round(num_size * num_samples); % 训练集样本个数 f_ = size(res, 2) - outdim; % 输入特征维度 %% 划分训练集和测试集 P_train = res(1: num_train_s, 1: f_)'; T_train = res(1: num_train_s, f_ + 1: end)'; M = size(P_train, 2); P_test = res(num_train_s + 1: end, 1: f_)'; T_test = res(num_train_s + 1: end, f_ + 1: end)'; N = size(P_test, 2); %% 数据归一化 [p_train, ps_input] = mapminmax(P_train, 0, 1); p_test = mapminmax('apply', P_test, ps_input); [t_train, ps_output] = mapminmax(T_train, 0, 1); t_test = mapminmax('apply', T_test, ps_output);

如果想要更改预测未来数据的数量，只需找到上面的ST变量更改对应数字即可，非常方便，适合新手小白~

完整代码获取

如果需要以上完整代码，只需点击下方小卡片，再后台回复关键字，不区分大小写：

CLAWL