多维时序 | Matlab实现LSTM-Adaboost和LSTM多变量时间序列预测对比

预测效果

基本介绍

多维时序 | Matlab实现LSTM-Adaboost和LSTM多变量时间序列预测对比

模型描述

Matlab实现LSTM-Adaboost和LSTM多变量时间序列预测对比（完整程序和数据）
1.输入多个特征，输出单个变量；
2.考虑历史特征的影响，多变量时间序列预测；
4.csv数据，方便替换；
5.运行环境Matlab2018b及以上；
6.输出误差对比图。

程序设计

• 完整程序和数据获取方式1：同等价值程序兑换；
• 完整程序和数据获取方式2：私信博主回复Matlab实现LSTM-Adaboost和LSTM多变量时间序列预测对比获取
• 完整程序和数据获取方式3（直接下载）：Matlab实现LSTM-Adaboost和LSTM多变量时间序列预测对比。

 (32,'OutputMode',"last",'Name','bil4','RecurrentWeightsInitializer','He','InputWeightsInitializer','He')dropoutLayer(0.25,'Name','drop2')% 全连接层fullyConnectedLayer(numResponses,'Name','fc')regressionLayer('Name','output')    ];layers = layerGraph(layers);layers = connectLayers(layers,'fold/miniBatchSize','unfold/miniBatchSize');
%-----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------
%% 训练选项
if gpuDeviceCount>0mydevice = 'gpu';
elsemydevice = 'cpu';
endoptions = trainingOptions('adam', ...'MaxEpochs',MaxEpochs, ...'MiniBatchSize',MiniBatchSize, ...'GradientThreshold',1, ...'InitialLearnRate',learningrate, ...'LearnRateSchedule','piecewise', ...'LearnRateDropPeriod',56, ...'LearnRateDropFactor',0.25, ...'L2Regularization',1e-3,...'GradientDecayFactor',0.95,...'Verbose',false, ...'Shuffle',"every-epoch",...'ExecutionEnvironment',mydevice,...'Plots','training-progress');
%% 模型训练
rng(0);
net = trainNetwork(XrTrain,YrTrain,layers,options);
%-----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------
%% 测试数据预测
% 测试集预测
YPred = predict(net,XrTest,"ExecutionEnvironment",mydevice,"MiniBatchSize",numFeatures);
YPred = YPred';
% 数据反归一化
YPred = sig.*YPred + mu;
YTest = sig.*YTest + mu;
————————————————
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。

参考资料

[1] http://t.csdn.cn/pCWSp
[2] https://download.csdn.net/download/kjm13182345320/87568090?spm=1001.2014.3001.5501
[3] https://blog.csdn.net/kjm13182345320/article/details/129433463?spm=1001.2014.3001.5501