目录
- 效果一览
- 基本介绍
- 程序设计
- 参考资料
效果一览
基本介绍
1.Matlab实现基于QRGRU-Attention分位数回归门控循环单元注意力机制的时间序列区间预测模型；
2.多图输出、多指标输出(MAE、RMSE、MSE、R2)，多输入单输出，含不同置信区间图、概率密度图；
3.data为数据集，功率数据集，用过去一段时间的变量，预测目标，目标为最后一列，也可适用于负荷预测、风速预测；main为主程序，其余为函数文件，无需运行；
数据集为2018年6月2日-2018年8月9日的6624个样本，采样间隔为15 分钟。选取2018年6月2日-2018年8月4日为训练集，剩下作为测试集。采用过去5个小时的特征作为输入，目标和特征都进行了归一化和差分进行训练。训练迭代器采用adam，学习率为0.001，批次大小为64，迭代轮数30轮。网络为两层GRU单元+一个注意力机制，神经元个数为64。损失函数采用分位数回归：
以测试样本集中2018:08:05:0:0时刻至2018:08:09:23:45时刻为例，分位数预测得到不同置信区间下的风电功率结果如图所示。可以看出，不同置信度条件下的预测区间与风电功率实际值的波动大致相同，表明本文的方法能够准确预测风电功率变化，此外在实际值变化剧烈的地方置信区间越宽，表明预测可信度变低，这也与实际情况相符合。对比预测未来不同时间步的预测区间，预测的误差在增大。以测试样本集中2018年8月5日-6日的6:00、12:00 和18:00为例，根据分位数预测未来90min后的结果，采用核密度估计，生成风电功率的概率密度曲线。如图所示。可以看到，风电功率实际值均落在高概率密度波峰处附近。
4.代码质量高，注释清楚，含数据预处理部分，处理缺失值，如果为nan，用上一行替代，也含核密度估计；
程序设计
- 完整程序和数据获取方式私信博主回复Matlab实现基于QRGRU-Attention分位数回归门控循环单元注意力机制的时间序列区间预测模型。
%% 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
data=[data_new data_new];
%日期转换，方便观察
data_time =datevec(cell2mat(data_text(2:end,1)));
data_time=data_time(:,1:3);
data_time_temp=[];
[m, n]=size(data_time);
for i=1:m
data_time_temp=[data_time_temp;repmat(data_time(i,:),96,1)];
end
data_time_hour=repmat([0:23]',m*4,1);
data_time_minute=repmat([0:15:59]',m*24,1);
data_time=[data_time_temp data_time_hour data_time_minute];
%% 你需要按照你的数据集和要求修改的内容
%注意数据，前面几列是特征变量，预测目标为最后一列。行数为样本数，一般按时间排序来
split_point=6144; %%选取前多少个作为训练样本，剩下的作为测试，这里是2018年8月5号0点0分
split_point_test_flag=1;%%因为是时序问题，测试集个数固定，因为前几个的历史特征没有，所以历史特征是否要向训练集借来历史样本=0表示不借，=1表示借
feature_num=1; %% 每个时刻的特征数，这个每个数据集不一样，要自己去数，这个要到网络搭建输入时候会用到，如果目标也参与作为输入变量，要加1，这里是单变量，所以为1就好
target_num=1; %% 要预测的目标个数，如果是单目标为1就行，多目标就自己去数，这个要到网络网络搭建输出时候会用到
history_steps=20; %用过去的共history_steps个时间步时刻，如果用过去10个，改成history_steps=10就好
future_step=6; %预测未来的第future_step个时刻，因为是15min一个，=2表示预测未来第30分钟，=4表示预测未来第60分钟
chafen_flag=1; %是否启用差分，为1表示启用：这里特征是与前一个时刻的差分了，目标也是差分了=（t+future_step）-t，一般差分会好，不差分结果会差一点
rng(2021) %定随机种子，保证每次结果一样，保证结果可以复现
neuron_num=64; %神经元个数
lr=0.001;%学习率,如果想改成可变学习率，在网络设置里再调
batchsize=64;%批次大小
maxpochs=30;%最大迭代轮数
