区间预测 | MATLAB实现QRLSTM长短期记忆神经网络分位数回归多输入单输出区间预测
目录
- 区间预测 | MATLAB实现QRLSTM长短期记忆神经网络分位数回归多输入单输出区间预测
- 效果一览
- 基本介绍
- 模型描述
- 程序设计
- 参考资料
效果一览
基本介绍
MATLAB实现QRLSTM长短期记忆神经网络分位数回归时间序列区间预测
QRLSTM是一种基于长短期记忆（LSTM）神经网络的模型，用于时间序列区间预测。它是使用分位数回归来进行预测的，这意味着它可以预测一系列可能的结果，而不仅仅是单个点预测。
具体来说，QRLSTM使用LSTM网络来学习时间序列的长期和短期依赖关系，然后使用分位数回归来预测一系列可能的结果。分位数回归是一种非常有用的技术，它可以预测出给定置信水平下的上限和下限，这对于时间序列预测非常有用。
QRLSTM模型的预测能力很强，特别是在处理非线性时间序列时。它已经被广泛应用于股票市场、气象预测、交通预测等领域。
模型描述
QRLSTM模型的数学公式如下：
首先，我们定义LSTM网络中的隐藏状态和细胞状态：
h t , c t = LSTM ( x t , h t − 1 , c t − 1 ) h_t,c_t=\text{LSTM}(x_t,h_{t-1},c_{t-1}) ht,ct=LSTM(xt,ht−1,ct−1)
- 其中， x t x_t xt是时间步 t t t的输入， h t − 1 h_{t-1} ht−1和 c t − 1 c_{t-1} ct−1分别是上一时间步的隐藏状态和细胞状态。
然后，我们定义分位数回归的损失函数：
L τ = ∑ i = 1 n ρ τ ( y i − f θ ( x i ) ) \mathcal{L}{\tau}=\sum{i=1}^{n}\rho_{\tau}(y_i-f_{\theta}(x_i)) Lτ=∑i=1nρτ(yi−fθ(xi))
- 其中， τ \tau τ是分位数水平， y i y_i yi是时间序列在时间步 i i i的真实值， f θ ( x i ) f_{\theta}(x_i) fθ(xi)是模型在时间步 i i i的预测值， ρ τ ( u ) \rho_{\tau}(u) ρτ(u)是分位数损失函数：
ρ τ ( u ) = { τ u if u ≥ 0 ( τ − 1 ) u if u < 0 \rho_{\tau}(u)=\begin{cases} \tau u & \text{ if } u \geq 0 \ (\tau-1)u & \text{ if } u < 0 \end{cases} ρτ(u)={τu if u≥0 (τ−1)u if u<0
最终我们的目标是最小化所有分位数水平下的损失函数：
L = ∑ τ ∈ τ 1 , τ 2 , . . . , τ T L τ \mathcal{L}=\sum_{\tau\in{\tau_1,\tau_2,...,\tau_T}}\mathcal{L}_{\tau} L=τ∈τ1,τ2,...,τT∑Lτ
- 其中， τ 1 , τ 2 , . . . , τ T {\tau_1,\tau_2,...,\tau_T} τ1,τ2,...,τT是一组分位数水平。
QRLSTM模型使用随机梯度下降或者其他优化算法最小化上述损失函数，从而得到最优的模型参数。
程序设计
- 完整程序和数据获取方式1，订阅《LSTM长短期记忆神经网络》(数据订阅后私信我获取):MATLAB实现QRLSTM长短期记忆神经网络分位数回归多输入单输出区间预测，专栏外只能获取该程序。
- 完整程序和数据获取方式2，(资源出下载):MATLAB实现QRLSTM长短期记忆神经网络分位数回归多输入单输出区间预测
% 构建模型
numFeatures = size(XTrain,1); % 输入特征数
numHiddenUnits = 200; % 隐藏单元数
numQuantiles = 1; % 分位数数目
layers = [ ...
sequenceInputLayer(numFeatures)
lstmLayer(numHiddenUnits,'OutputMode','last')
dropoutLayer(0.2)
fullyConnectedLayer(numQuantiles)
regressionLayer];
options = trainingOptions('adam', ...
'MaxEpochs',50, ...
'MiniBatchSize',64, ...
'GradientThreshold',1, ...
'Shuffle','every-epoch', ...
'Verbose',false);
net = trainNetwork(XTrain,YTrain,layers,options); % 训练模型
% 测试模型
YPred = predict(net,XTest); % 预测输出
quantiles = [0.1,0.5,0.9]; % 分位数
for i = 1:length(quantiles)
q = quantiles(i);
epsilon = YTest - YPred(:,i); % 预测误差
lag = 10; % 滞后期数
sigma = median(abs(epsilon(max(1,end-lag+1):end))) * 1.483; % 置信区间
lb = YPred(:,i) - sigma * norminv(1-q/2,0,1); % 置信区间下限
ub = YPred(:,i) + sigma * norminv(1-q/2,0,1); % 置信区间上限
disp(['Quantile:',num2str(q),' MAE:',num2str(mean(abs(epsilon))),' Width:',num2str(mean(ub-lb))]);
end
参考资料
[1] https://blog.csdn.net/kjm13182345320/article/details/127931217
[2] https://blog.csdn.net/kjm13182345320/article/details/127418340
