基于门控循环单元(GRU)的数据回归预测

news2024/9/16 19:13:05

代码原理

基于GRU（Gated Recurrent Unit）的数据回归预测通常涉及多输入单输出的情况。以下是简单的原理及流程：

数据准备：

准备多个时间序列作为输入特征，每个时间序列可以表示不同的变量或特征。
准备一个目标变量作为单一的输出，通常是要预测的主要变量或结果。

模型构建：

使用GRU作为循环神经网络（RNN）的一种变体，用于处理时间序列数据。GRU相比传统的RNN有较好的记忆能力和防止梯度消失的特性。
输入层将多个时间序列数据输入到GRU模型中。
输出层通常是一个全连接层，将GRU的输出映射到预测的单一输出变量。

训练模型：

将准备好的数据集分为训练集和验证集。
将数据输入到GRU模型中，通过反向传播算法优化模型参数，以最小化预测输出与实际输出之间的差距（损失函数）。
通过调整超参数（如学习率、迭代次数等）来优化模型的训练效果。

预测：

使用训练好的模型对新的输入数据进行预测。新数据需要具有相同的特征维度和时间步长作为模型训练时的数据。
GRU模型通过历史输入的信息来预测未来的单一输出变量值。

评估：

使用评估指标（如均方误差、平均绝对误差等）来评估模型预测的准确性和效果。
根据评估结果可以调整模型的结构或超参数，进一步优化预测性能。

总结来说，基于GRU的多输入单输出的数据回归预测通过处理多个时间序列输入，利用GRU模型的记忆能力和非线性特性，结合深度学习的训练和优化方法，实现对单一输出变量的预测。

部分代码

%%  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  
%% 导入数据
data =  readmatrix('回归数据集.xlsx');
data = data(:,1:14);
res=data(randperm(size(data,1)),:);    %此行代码用于打乱原始样本，使训练集测试集随机被抽取，有助于更新预测结果。
num_samples = size(res,1);   %样本个数
% 训练集和测试集划分
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
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);
%  格式转换
for i = 1 : M 
    vp_train{i, 1} = p_train(:, i);
    vt_train{i, 1} = t_train(:, i);
end
for i = 1 : N 
    vp_test{i, 1} = p_test(:, i);
    vt_test{i, 1} = t_test(:, i);
end
%  创建GRU网络，
layers = [ ...
    sequenceInputLayer(f_)              % 输入层
    gruLayer(20)                      
    reluLayer                           
    fullyConnectedLayer(outdim)         % 回归层
    regressionLayer];