企业门户网站开发任务书,佛山 品牌设计,类似Wordpress知乎,宝安品牌网站建设区间预测 | MATLAB实现QRGRU门控循环单元分位数回归时间序列区间预测 目录 区间预测 | MATLAB实现QRGRU门控循环单元分位数回归时间序列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QRGRU门控循环单元分位数回归时间序列区间预测。基于分位…区间预测 | MATLAB实现QRGRU门控循环单元分位数回归时间序列区间预测 目录 区间预测 | MATLAB实现QRGRU门控循环单元分位数回归时间序列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QRGRU门控循环单元分位数回归时间序列区间预测。基于分位数回归的门控循环单元QRGRU的时间序列区间预测,多输入单输出模型 Matlab完整程序和数据 主要应用于风速负荷功率Matlab完整程序和数据 运行环境matlab2020及以上输入多个特征输出单个变量。 excel数据方便学习和替换数据。 模型描述 分位数回归是简单的回归就像普通的最小二乘法一样但不是最小化平方误差的总和而是最小化从所选分位数切点产生的绝对误差之和。如果 q0.50中位数那么分位数回归会出现一个特殊情况 - 最小绝对误差因为中位数是中心分位数。我们可以通过调整超参数 q选择一个适合平衡特定于需要解决问题的误报和漏报的阈值。GRU 有两个有两个门即一个重置门reset gate和一个更新门update gate。从直观上来说重置门决定了如何将新的输入信息与前面的记忆相结合更新门定义了前面记忆保存到当前时间步的量。如果我们将重置门设置为 1更新门设置为 0那么我们将再次获得标准 RNN 模型。 程序设计
完整程序和数据获取方式(资源处下载):MATLAB实现QRGRU门控循环单元分位数回归时间序列区间预测
% gru
layers [ ...sequenceInputLayer(inputSize,name,input) %输入层设置gruLayer(numhidden_units1,Outputmode,sequence,name,hidden1) dropoutLayer(0.3,name,dropout_1)gruLayer(numhidden_units2,Outputmode,last,name,hidden2) dropoutLayer(0.3,name,drdiopout_2)fullyConnectedLayer(outputSize,name,fullconnect) % 全连接层设置影响输出维度cell层出来的输出层 %quanRegressionLayer(out,i)];
%-----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------
% 参数设定
opts trainingOptions(adam, ...MaxEpochs,10, ...GradientThreshold,1,...ExecutionEnvironment,cpu,...InitialLearnRate,0.001, ...LearnRateSchedule,piecewise, ...LearnRateDropPeriod,2, ... %2个epoch后学习率更新LearnRateDropFactor,0.5, ...Shuffle,once,... % 时间序列长度SequenceLength,1,...MiniBatchSize,24,...Verbose,0);
%-----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------
%
% 网络训练
%-----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------
y Test.demand;
x Test{:,3:end};
%-----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------
% 归一化
[xnorm,xopt] mapminmax(x,0,1);
xnorm mat2cell(xnorm,size(xnorm,1),ones(1,size(xnorm,2)));
[ynorm,yopt] mapminmax(y,0,1);
ynorm ynorm;% 平滑层flattenLayer(Name,flatten)% GRU特征学习gruLayer(50,Name,gru1,RecurrentWeightsInitializer,He,InputWeightsInitializer,He)% GRU输出gruLayer(NumOfUnits,OutputMode,last,Name,bil4,RecurrentWeightsInitializer,He,InputWeightsInitializer,He)dropoutLayer(0.25,Name,drop3)% 全连接层fullyConnectedLayer(numResponses,Name,fc)regressionLayer(Name,output) ];layers layerGraph(layers);layers connectLayers(layers,fold/miniBatchSize,unfold/miniBatchSize);
————————————————
版权声明本文为CSDN博主「机器学习之心」的原创文章遵循CC 4.0 BY-SA版权协议转载请附上原文出处链接及本声明。
原文链接https://blog.csdn.net/kjm13182345320/article/details/130447132参考资料 [1] https://blog.csdn.net/kjm13182345320/article/details/127931217 [2] https://blog.csdn.net/kjm13182345320/article/details/127418340 [3] https://blog.csdn.net/kjm13182345320/article/details/127380096
