BP预测温度模型_2019.10.14.rar

本文件功能：用BP神经网络预测温湿度。 本次仿真，预测模型为8*8*8*1，输入数据为359天数据（一个小时测一个数据，一天数据为24）。其中350天数据做训练样本，用来训练BP网络模型的权值和阈值，4天用来做测试样本，用来测试3天左右的温湿度预测值。 本次训练效果比较上次仿真较为准确，判定系数可以达到0.8左右（越靠近1表明仿真效果越好），预测值与实际值点状图基本围绕在主对角线左右，MSE平方误差可以达到0.01，BP网络预测输出图也可以看出预测值的变化趋势基本与期望值一致。 本次仿真存在不足： 1.未修改学习率、附加动量等参量没有解决BP网络收敛慢的问题。 2.没有使用全局优化的算法，没有解决BP容易陷入极值点的问题。 这种用BP网络来进行预测的模型网上有很多，但是大多数都是预测风力发电等，可能也是因为该BP模型是40年代所提出，我是没有找到有温湿度的预测，该代码纯属自己改写的，并且运行无误，现在分享出来，让大家节省一些时间去研究更有深度的算法。

%% 该代码为基于双隐含层BP神经网络的预测
%% 清空环境变量
clc
clear

%% 训练数据预测数据提取及归一化
%装载输入输出数据
load temperature
load humidity
tday = 350;           %训练数据时间
sday = 10;           %预测数据时间
sdata = （tday+sday）*24;      %总的采集数据个数
oddata = 24;      %一天采集的数据个数
%在10天的数据中将10分钟的数据提取出来，总计2880个
temperature = Temp（1:1:sdata:）;
humidity = Humidity（1:1:sdata:）;
% information=[temp humidity];
% 初始化数据
[mn]=size（temperature）;
n = 8;
% m = （m-sday*oddata/10）-oddata/10-n+1;
m = （m-sday*oddata）-oddata-n+1;
input = zeros（mn）;
output = zeros（m1）;
%找出训练数据和预测数据
for i = 1:m
%     input_train（i1:n/2） = temperature_10_14（i:i+5:）;
%     input_train（in/2+1:n） = humidity（i:i+5:）;
%     output_train（i:） = temp（i+oddata/10:）;
    input_train（i1:n/2） = temperature（i:i+3:）;
    input_train（in/2+1:n） = humidity（i:i+3:）;
    output_train（i:） = temperature（i+oddata:）;
end
[mn] = size（temperature）;
n = 8;
% m = （m-tday*oddata/10）-oddata/10-n+1;
m = （m-tday*oddata）-oddata-n+1;
for i = 1:m
%     input_test（i1:n/2） = temp（i+tday*oddata/10:i+5+tday*oddata/10:）;
%     input_test（in/2+1:n） = humidity（i+tday*oddata/10:i+5+tday*oddata/10:）;
%     output_test（i:） = temp（i+oddata/10+tday*oddata/10:）;
    input_test（i1:n/2） = temperature（i+tday*oddata:i+3+tday*oddata:）;
    input_test（in/2+1:n） = humidity（i+tday*oddata:i+3+tday*oddata:）;
    output_test（i:） = temperature（i+oddata+tday*oddata:）;
end
input_train=input_train‘;
output_train=output_train‘;
input_test = input_test‘;
output_test=output_test‘;

%选连样本输入输出数据归一化
[inputninputps]=mapminmax（input_train01）;
[outputnoutputps]=mapminmax（output_train01）;

%% BP网络训练
% %初始化网络结构
net=newff（inputnoutputn[8 8]）;

net.trainParam.epochs=200;
net.trainParam.lr=0.1;
net.trainParam.goal=0.0000004;

%网络训练
[nettr]=train（netinputnoutputn）;

%% BP网络预测
%预测数据归一化
inputn_test=mapminmax（‘apply‘input_testinputps01）;


%网络预测输出
an=sim（netinputn_test）;

%网络输出反归一化
BPoutput=mapminmax（‘reverse‘anoutputps）;

%% 结果分析

figure（1）
subplot（231）
plot（BPoutput‘:og‘）
hold on
plot（output_test‘-*‘）;
legend（‘预测输出‘‘期望输出‘）
title（‘BP网络预测输出‘‘fontsize‘12）
ylabel（‘函数输出‘‘fontsize‘12）
xlabel（‘样本‘‘fontsize‘12）

%预测误差
error=BPoutput-output_test;
subplot（232）
plot（error‘-*‘）
title（‘BP网络预测误差‘‘fontsize‘12）
ylabel（‘误差‘‘fontsize‘12）
xlabel（‘样本‘‘fontsize‘12）

subplot（233）
plot（（output_test-BPoutput）./BPoutput‘-*‘）;
title（‘神经网络预测误差百分比‘）
ylabel（‘误差百分比‘‘fontsize‘12）
xlabel（‘样本‘‘fontsize‘12）

errorsum=sum（abs（error））;
subplot（234）
plot（errorsum‘-*‘）;
title（‘神经网络预测误差绝对值‘）
ylabel（‘误差绝对值‘‘fontsize‘12）
xlabel（‘样本‘‘fontsize‘12）

% a = tr.num_epochs;
% MSE = mse（error）;
subplot（235）
plot（tr.epochtr.perf‘‘r‘tr.epochtr.vperf‘‘:g‘tr.epochtr.tperf‘‘-.b‘）;
% legend（[‘终止代数＝‘ num2str（a）]）
legend（‘训练‘‘确证‘‘测试‘-1）
title（‘误差曲线‘）
ylabel（‘MSE误差平方‘‘fontsize‘12）
xlabel（‘进化代数‘‘fontsize‘12）

fenmu = sum（（output_test-mean（BPoutput））.^2）;
fenzi = sum（（output_test-BPoutput）.^2）;
R = 1-fenzi/fenmu;
subplot（236）
plot（BPoutputoutput_test‘.‘）;
legend（[‘R =

 属性            大小     日期    时间   名称
----------- ---------  ---------- -----  ----

     文件       3378  2019-10-14 21:57  BP预测温度模型_2019.10.14\BP_Hidden.m

     文件     134465  2019-10-14 18:21  BP预测温度模型_2019.10.14\humidity.mat

     文件        882  2019-10-14 21:52  BP预测温度模型_2019.10.14\readme.txt

     文件        936  2019-10-14 18:24  BP预测温度模型_2019.10.14\simpletime.m

     文件     303265  2019-10-14 18:21  BP预测温度模型_2019.10.14\temperature.mat

     文件     126722  2019-10-14 21:31  BP预测温度模型_2019.10.14\temperature_prediction.jpg

     文件   16197871  2019-02-19 00:58  BP预测温度模型_2019.10.14\WeatherHistory.csv

     目录          0  2019-10-14 21:48  BP预测温度模型_2019.10.14

----------- ---------  ---------- -----  ----

             16767519                    8