您现在的位置是：首页 >技术教程 >区间预测 | MATLAB实现基于QRCNN-BiGRU卷积双向门控循环单元多变量时间序列区间预测网站首页技术教程

区间预测 | MATLAB实现基于QRCNN-BiGRU卷积双向门控循环单元多变量时间序列区间预测

效果一览

基本介绍

1.Matlab实现基于QRCNN-BiGRU卷积神经网络结合双向门控循环单元多变量时间序列区间预测；
2.多图输出、点预测多指标输出(MAE、MAPE、RMSE、MSE、R2)，区间预测多指比输出（区间覆盖率PICP、区间平均宽度百分比PINAW），多输入单输出，含点预测图、不同置信区间预测图、误差分析图、核密度估计概率密度图；
3.data为数据集，功率数据集，用多个关联变量，预测最后一列功率数据，也可适用于负荷预测、风速预测；MainQRCNN_BiGRUNTS为主程序，其余为函数文件，无需运行；
4.代码质量高，注释清楚，含数据预处理部分，处理缺失值，如果为nan，则删除，也含核密度估计；
5.运行环境Matlab2021及以上。

模型描述

QRCNN-BiGRU是一种深度学习模型，用于多变量时间序列的区间预测。该模型结合了卷积神经网络（CNN）、双向门控循环单元（BiGRU）和量化回归（QR）技术，以提高预测准确性。
在该模型中，卷积神经网络用于提取时间序列的局部特征，双向门控循环单元则用于捕捉时间序列的长期依赖关系。量化回归技术则用于根据预测误差的分布情况调整模型的预测结果，从而提高预测的稳定性和准确性。
该模型的预测过程分为两个步骤：首先，使用QRCNN提取特征，并将特征输入到BiGRU中进行时间序列分析；接下来，使用量化回归技术获得预测的区间范围。这种方法可以有效地减少预测的误差，并提高预测的精度。
总之，QRCNN-BiGRU模型是一种用于多变量时间序列区间预测的高级深度学习模型，具有优秀的准确性和稳定性。

程序设计

• 完整程序和数据获取方式：私信博主。

ntrain=round(nwhole*num_size);
	ntest =nwhole-ntrain;
	% 准备输入和输出训练数据
	input_train =input(:,temp(1:ntrain));
	output_train=output(:,temp(1:ntrain));
	% 准备测试数据
	input_test =input(:, temp(ntrain+1:ntrain+ntest));
	output_test=output(:,temp(ntrain+1:ntrain+ntest));
	%% 数据归一化
	method=@mapminmax;
	[inputn_train,inputps]=method(input_train);
	inputn_test=method('apply',input_test,inputps);
	[outputn_train,outputps]=method(output_train);
	outputn_test=method('apply',output_test,outputps);
	% 创建元胞或向量，长度为训练集大小；
	XrTrain = cell(size(inputn_train,2),1);
	YrTrain = zeros(size(outputn_train,2),1);
	for i=1:size(inputn_train,2)
		XrTrain{i,1} = inputn_train(:,i);
		YrTrain(i,1) = outputn_train(:,i);
	end
	% 创建元胞或向量，长度为测试集大小；
	XrTest = cell(size(inputn_test,2),1);
	YrTest = zeros(size(outputn_test,2),1);
	for i=1:size(input_test,2)
		XrTest{i,1} = inputn_test(:,i);
		YrTest(i,1) = outputn_test(:,i);
	end

	%% 创建混合网络架构
%%  区间覆盖率
RangeForm = [T_sim(:, 1), T_sim(:, end)];
Num = 0;

for i = 1 : length(T_train)
    Num = Num +  (T_train(i) >= RangeForm(i, 1) && T_train(i) <= RangeForm(i, 2));
end

picp = Num / length(T_train);     


    S = cumtrapz(X,Y);
    Index = find(abs(m-S)<=1e-2);
    Q = X(max(Index));

参考资料

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