济源网站建设价格设计网站客户体验

多维时序 | Matlab实现TCN-RVM时间卷积神经网络结合相关向量机多变量时间序列预测

效果一览

基本介绍

Matlab实现TCN-RVM时间卷积神经网络结合相关向量机多变量时间序列预测（完整源码和数据）
1.Matlab实现TCN-RVM时间卷积神经网络结合相关向量机多变量时间序列预测；
2.运行环境为Matlab2021b；
3.输入多个特征，输出单个变量，考虑历史特征的影响，多变量时间序列预测；
4.data为数据集，main.m为主程序，运行即可,所有文件放在一个文件夹；
5.命令窗口输出R2、MSE、RMSE、MAE、MAPE多指标评价。
6.程序语言为matlab，程序可出预测效果图，误差分析图，相关分析图;

程序设计

• 完整程序和数据下载方式资源处下载：Matlab实现TCN-RVM时间卷积神经网络结合相关向量机多变量时间序列预测。

% 训练集和测试集划分 %% 来自：CSDN《机器学习之心》
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);%% 绘制线性拟合图
%% 训练集拟合效果图
figure
plot(T_train,T_sim1,'o','Markersize',7);
xlabel('真实值')
ylabel('预测值')
string = {'训练集效果图';['R^2_c=' num2str(R1)  '  RMSEC=' num2str(rmse1) ]};
title(string)
hold on ;h=lsline;
set(h,'LineWidth',2,'LineStyle','-','Color',[1 0 0])
%% 预测集拟合效果图
figure
plot(T_test,T_sim2,'o','Markersize',7);
xlabel('真实值')
ylabel('预测值')
string1 = {'测试集效果图';['R^2_p=' num2str(R2)  '  RMSEP=' num2str(rmse2) ]};
title(string1)
hold on ;h=lsline();
set(h,'LineWidth',2,'LineStyle','-','Color',[1 0 0])

参考资料

[1] https://blog.csdn.net/kjm13182345320/article/details/129215161
[2] https://blog.csdn.net/kjm13182345320/article/details/128105718