企业官网建设流程全解析

区间预测 | MATLAB实现LSTM长短期记忆神经网络分位数回归多输入单输出

基本介绍

分位数回归是简单的回归，就像普通的最小二乘法一样，但不是最小化平方误差的总和，而是最小化从所选分位数切点产生的绝对误差之和。如果 q=0.50（中位数），那么分位数回归会出现一个特殊情况 - 最小绝对误差（因为中位数是中心分位数）。我们可以通过调整超参数 q，选择一个适合平衡特定于需要解决问题的误报和漏报的阈值。

模型描述

• LSTM 通过记忆单元和门控机制巧妙保留了长短期记忆，其单元基本架构如图1 所示。LSTM 单元由遗忘门、输入门和输出门组成，遗忘门控制历史信息被遗忘的程度，输入门控制接受新信息的程度，输出门则决定最终输出的信息。

• 并行式训练，当分位点设置较多时，LSTM 对大型数据集训练耗时较多，因此本文采用神经网络的数据并行式训练方法提高训练效率。数据并行式训练通过GPU (graphics processing unit)分布式计算实现，将训练集均等分为多个子集，分配到计算系统的各个节点，每个计算节点负责处理该数据集的一个不同子集，从而减少训练时间。

程序设计

%