一、前言

Matlab神经网络滚动预测——预测未来
目前有很多Matlab神经网络时序预测的代码，绝大部分都是验证性质的，即对现有的数据进行验证，时序预测最重要的是预测未来，本文整理了一套简单的神经网络时序预测预测未来的代码，且本代码是完整的可用的，没有残缺，复制文中的代码到Matlab即可运行出结果。
代码共分为7部分，分别为：初始化、数据读取、数据归一化、权值阈值、反归一化、预测、作图。

二、代码部分

1、初始化

%% 1.初始化
clear
close all
clc

2、数据读取

需要修改的地方有：
（1）A1:A16代表数据范围，类似于有16年的数据；
（2）k+4，4代表时序预测的延时算子，1:12中的12=16-4；
（3）其他参数适当修改。

%% 2.数据读取
data0=xlsread('数据.xlsx','Sheet1','A1:A16');
b=data0(:,1)';
data=cell2mat(arrayfun(@(k) b(k:k+4),1:12,'un',0)');%转换矩阵，建一个形式如Hilbert矩阵的形式
[rowLen, colLen] = size(data); % rowLen代表矩阵的行数，collen代表列数
trainNum = rowLen;
% 训练样本数量
hiddenNum = 11;
% 隐含层
input = colLen - 1;
% 输入层
output = 1;
% 输出层
p = data(:, 1:input)';
% 输入数据矩阵
t = data(:, colLen)';
% 目标数据矩阵

3、数据归一化

参数适当修改

%% 3.数据归一化
[SamIn, PSp] = mapminmax(p, -1, 1);
[tn, PSt] = mapminmax(t, -1, 1);
SamOut = tn;
% 输出样本
MaxEpochs = 30000;
% 最大训练次数
lr = 0.05;
% 学习率
E0 = 1e-3;
% 目标误差
rng('default');

4、权值阈值

%% 4.权值阈值
W1 = rand(hiddenNum, input);
% 初始化输入层与隐含层之间的权值
B1 = rand(hiddenNum, 1);
% 初始化输入层与隐含层之间的阈值
W2 = rand(output, hiddenNum);
% 初始化输出层与隐含层之间的权值
B2 = rand(output, 1);
% 初始化输出层与隐含层之间的阈值
ErrHistory = zeros(MaxEpochs, 1);
for i = 1 : MaxEpochs
HiddenOut = logsig(W1*SamIn + repmat(B1, 1, trainNum));
% 隐含层网络输出
NetworkOut = W2*HiddenOut + repmat(B2, 1, trainNum);
% 输出层网络输出
Error = SamOut - NetworkOut;
% 实际输出与网络输出之差
SSE = sumsqr(Error);
% 能量函数（误差平方和）
ErrHistory(i) = SSE;
% 记录每次学习的误差
if SSE < E0
% 如果达到误差阈值就退出
break;
end
% 权值（阈值）依据能量函数负梯度下降原理所作的每一步动态调整量
Delta2 = Error;
Delta1 = W2' * Delta2 .* HiddenOut .* (1 - HiddenOut);
dW2 = Delta2 * HiddenOut';
dB2 = Delta2 * ones(trainNum, 1);
dW1 = Delta1 * SamIn';
dB1 = Delta1 * ones(trainNum, 1);
% 对输出层与隐含层之间的权值和阈值进行修正
W2 = W2 + lr*dW2;
B2 = B2 + lr*dB2;
% 对输入层与隐含层之间的权值和阈值进行修正
W1 = W1 + lr*dW1;
B1 = B1 + lr*dB1;
end
HiddenOut = logsig(W1*SamIn + repmat(B1, 1, trainNum));
% 隐含层输出最终结果
NetworkOut = W2*HiddenOut + repmat(B2, 1, trainNum);
% 输出层输出最终结果

5、反归一化

tFit = mapminmax('reverse', NetworkOut, PSt); %反归一化

6、预测

需要修改的地方：
（1）1 : 12中的12是总样本数减去延时算子数；
（2）preP = zeros(1, 4)和for i = 1 : 4中的4代表要预测的未来4个，例如预测未来4年的数据。

x = 1 : 12;
% 样本数减去预测数
ForcastSamNum = 1;
preP = zeros(1, 4);
pNew = data(end, 2:end)';
% 最后一行是输入，竖着排
for i = 1 : 4
pnew = pNew;
pnewn = mapminmax('apply', pnew, PSp);
% 归一化
HiddenOut = logsig(W1*pnewn + repmat(B1, 1, ForcastSamNum));
% 隐含层输出预测结果
anewn = W2*HiddenOut + repmat(B2, 1, ForcastSamNum);
% 输出层输出预测结果
anew = mapminmax('reverse', anewn, PSt);
% 反归一化
preP(i) = anew;
% 保存预测值
pNew = [pNew(2:end); anew];
% 新预测的值作为下一次的输入
end

7、作图

需注意：plot（13:16）是要预测的未来4年，通常来说16个样本，预测未来4个，应该plot（17:20），怎么会是（13:16）呢？这里将延时算子的4组数据删减掉了，因此16-4=12，应该从13起plot4年的数据，也就是（13:16）。

figure
plot(x, t, 'k:o','linewidth',1.5);
hold on
plot(x, tFit, 'r-^','linewidth',1.5);
hold on
plot(13:16, preP, 'b--h','linewidth',1.5);
legend('真实值', '拟合值', '预测值');
xlabel('序列'),ylabel('指标值');
set(gca,'fontsize',12)
figure
plot(x, tFit - t, '--o','linewidth',1.5);
hold on
plot(x, abs(tFit - t) ./ t, '--*','linewidth',1.5)
legend('绝对误差', '相对误差');
xlabel('序列'),ylabel('误差');
disp('预测值：');
disp(preP);

三、结果展示

四、结语

这是一组非常简单的滚动预测代码，也有缺陷，偶尔会收敛不了，对于震动幅度大的数据可能无法分析出结果。

最后

以上就是多情日记本为你收集整理的Matlab神经网络滚动预测——预测未来一、前言二、代码部分三、结果展示四、结语的全部内容，希望文章能够帮你解决Matlab神经网络滚动预测——预测未来一、前言二、代码部分三、结果展示四、结语所遇到的程序开发问题。

如果觉得靠谱客网站的内容还不错，欢迎将靠谱客网站推荐给程序员好友。