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

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

目录

• • 区间预测 | Matlab实现CPO-BP-KDE核密度估计多置信区间多变量回归区间预测
  • • 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CPO-BP-KDE冠豪猪算法优化BP神经网络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区间预测 | Matlab实现CPO-BP-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)])

参考资料

[1] https://blog.csdn.net/kjm13182345320/article/details/127931217
[2] https://blog.csdn.net/kjm13182345320/article/details/127418340