区间预测 | MATLAB实现基于QRCNN-BiLSTM卷积神经网络结合双向长短期记忆神经网络多变量时间序列区间预测

news2024/11/24 19:18:49

区间预测 | MATLAB实现QRCNN-BiLSTM卷积神经网络结合双向长短期记忆神经网络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-BiLSTM卷积神经网络结合双向长短期记忆神经网络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_BiLSTMNTS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

卷积神经网络（Convolutional Neural Network, CNN）和双向长短期记忆神经网络（Bidirectional Long Short-Term Memory Network, BiLSTM）是两种常用的神经网络结构，它们各自具有不同的优点，可以相互结合，提高模型的性能。
CNN主要用于图像和语音等数据的处理，可以提取局部特征和空间信息，从而在分类、目标检测等任务中取得优异的表现。而BiLSTM则主要用于序列数据的处理，可以捕捉长期依赖关系，从而在自然语言处理、语音识别等任务中取得优异的表现。
将CNN和BiLSTM结合可以构建一种深度神经网络模型，可以同时利用局部特征和长期依赖关系，对图像、语音及序列数据进行处理。具体来说，可以先使用CNN提取局部特征，然后将特征图作为BiLSTM的输入，利用BiLSTM捕捉序列中的长期依赖关系，最终得到模型的输出。
这种结合方式被广泛应用于自然语言处理、语音识别、图像分类等任务中，并取得了不错的表现。例如，Google的语音识别系统就使用了这种结合方式。同时，也有一些改进的结合方式被提出，例如将CNN和BiLSTM并行使用，或者在BiLSTM中加入卷积层等。

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));