区间预测 | Matlab实现GRU-Attention-KDE核密度估计多置信区间多变量回归区间预测

效果一览

在这里插入图片描述

基本介绍

1.Matlab实现GRU-Attention-KDE门控循环单元注意力机制核密度估计多置信区间多变量回归区间预测；

2.多变量单输出，包括点预测+概率预测曲线+核密度估计曲线，MatlabR2023b及以上版本运行，提供多种置信区间！评价指标包括R2、MAE、RMSE、MAPE、区间覆盖率picp、区间平均宽度百分比pinaw等。

3.直接替换Excel数据即可用，注释清晰，适合新手小白，直接运行main文件一键出图。

4.代码特点：参数化编程、参数可方便更改、代码编程思路清晰、注释明细。

程序设计

完整程序和数据获取方式私信博主回复Matlab实现GRU-Attention-KDE核密度估计多置信区间多变量回归区间预测。





%%  清空环境变量
warning off             % 关闭报警信息
close all               % 关闭开启的图窗
clear                   % 清空变量
clc                     % 清空命令行

res = xlsread('data.xlsx');
%%
num_size = 0.7;% 训练集占数据集比例
dataran = 0; %不打乱数据
%%
%%  数据分析
outdim = 1;                                  % 最后一列为输出
num_samples = size(res, 1);                  % 样本个数
num_train_s = round(num_size * num_samples); % 训练集样本个数
AA1 = res(1:num_train_s,:);
AA2 = res(num_train_s+1:end-1,:);
AA3 = res(end,:);
clear res;
if dataran == 1
    AA1 = AA1(randperm(size(AA1, 1)), :);         % 打乱数据集
    AA2 = AA2(randperm(size(AA2, 1)), :);         % 打乱数据集
end
res=[AA1;AA2;AA3];
f_ = size(res, 2) - outdim;                  % 输入特征维度
%% 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);
%% *值评估指标*
errorTest = T_sim2 - T_test;
AE = abs(errorTest); %绝对误差
MSEErrorTest = mse(errorTest);  %测试集误差
figure;
subplot(2,2,1)
bar(errorTest);
subplot(2,2,2)
histogram(AE,'BinWidth',0.5);
xlabel('绝对误差区间的中位数','FontWeight',"bold");
ylabel('位于该误差区间的样本个数','FontWeight',"bold");
MAE = sum(AE)/length(AE);
MSE = MSEErrorTest;
RMSE = sqrt(MSE);
disp(['测试集数据的R2为：', num2str(R2)])
disp(['测试集数据的MAE为：', num2str(mae2)])
disp(['测试集数据的RMSE为：', num2str(RMSE2)])
disp(['测试集数据的MAPE为：', num2str(MAPE2)])