Update main.m

Author: Time9Y

038_Time series forecasting based on least squares support vector machine/main.m

@@ -1,32 +1,26 @@
-%%  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
+%%  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
 
-%%  添加路径
+%%  添加路径
 addpath('LSSVM_Toolbox\')
 
-%%  导入数据（时间序列的单列数据）
-result = xlsread('数据集.xlsx');
+%%  导入数据（时间序列的单列数据）
+result = xlsread('数据集.xlsx');
 
-%%  数据分析
-num_samples = length(result);  % 样本个数 
-kim = 15;                      % 延时步长（kim个历史数据作为自变量）
-zim =  1;                      % 跨zim个时间点进行预测
+%%  数据分析
+num_samples = length(result);  % 样本个数 
+kim = 15;                      % 延时步长（kim个历史数据作为自变量）
+zim =  1;                      % 跨zim个时间点进行预测
 
-%%  划分数据集
+%%  划分数据集
 for i = 1: num_samples - kim - zim + 1
     res(i, :) = [reshape(result(i: i + kim - 1), 1, kim), result(i + kim + zim - 1)];
 end
 
-%%  数据集分析
-outdim = 1;                                  % 最后一列为输出
-num_size = 0.7;                              % 训练集占数据集比例
-num_train_s = round(num_size * num_samples); % 训练集样本个数
-f_ = size(res, 2) - outdim;                  % 输入特征维度
-
-%%  划分训练集和测试集
+%%  划分训练集和测试集
 temp = 1: 1: 922;
 
 P_train = res(temp(1: 700), 1: 15)';
@@ -37,109 +31,109 @@
 T_test = res(temp(701: end), 16)';
 N = size(P_test, 2);
 
-%%  数据归一化
+%%  数据归一化
 [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);
 
-%%  转置以适应模型
+%%  转置以适应模型
 p_train = p_train'; p_test = p_test';
 t_train = t_train'; t_test = t_test';
 
-%%  参数设置
-type   = 'f';                % 模型类型f回归，c分类
-gam    = 100;                % 核函数参数
-sig2   = 100;                % 惩罚参数
-kernel = 'RBF_kernel';       % RBF 核函数 
-proprecess = 'preprocess';   % 是否归一化
+%%  参数设置
+type   = 'f';                % 模型类型f回归，c分类
+gam    = 100;                % 核函数参数
+sig2   = 100;                % 惩罚参数
+kernel = 'RBF_kernel';       % RBF 核函数 
+proprecess = 'preprocess';   % 是否归一化
 
-%%  建立模型
+%%  建立模型
 model = initlssvm(p_train, t_train, type, gam, sig2, kernel, proprecess);
 
-%%  训练模型
+%%  训练模型
 model = trainlssvm(model);
 
-%%  模型预测
+%%  模型预测
 t_sim1 = simlssvm(model, p_train);
 t_sim2 = simlssvm(model, p_test );
 
-%%  数据转置
+%%  数据转置
 t_sim1 = t_sim1'; T_train = T_train';
 t_sim2 = t_sim2'; T_test  = T_test' ;
 
-%%  数据反归一化
+%%  数据反归一化
 T_sim1 = mapminmax('reverse', t_sim1, ps_output);
 T_sim2 = mapminmax('reverse', t_sim2, ps_output);
 
-%%  均方根误差
+%%  均方根误差
 error1 = sqrt(sum((T_sim1' - T_train).^2) ./ M);
 error2 = sqrt(sum((T_sim2' - T_test ).^2) ./ N);
 
-%%  绘图
+%%  绘图
 figure
 plot(1: M, T_train, 'r-', 1: M, T_sim1, 'b-', 'LineWidth', 1)
-legend('真实值', '预测值')
-xlabel('预测样本')
-ylabel('预测结果')
-string = {'训练集预测结果对比'; ['RMSE=' num2str(error1)]};
+legend('真实值', '预测值')
+xlabel('预测样本')
+ylabel('预测结果')
+string = {'训练集预测结果对比'; ['RMSE=' num2str(error1)]};
 title(string)
 xlim([1, M])
 grid
 
 figure
 plot(1: N, T_test, 'r-', 1: N, T_sim2, 'b-', 'LineWidth', 1)
-legend('真实值', '预测值')
-xlabel('预测样本')
-ylabel('预测结果')
-string = {'测试集预测结果对比'; ['RMSE=' num2str(error2)]};
+legend('真实值', '预测值')
+xlabel('预测样本')
+ylabel('预测结果')
+string = {'测试集预测结果对比'; ['RMSE=' num2str(error2)]};
 title(string)
 xlim([1, N])
 grid
 
-%%  相关指标计算
+%%  相关指标计算
 % R2
 R1 = 1 - norm(T_train - T_sim1')^2 / norm(T_train - mean(T_train))^2;
 R2 = 1 - norm(T_test  - T_sim2')^2 / norm(T_test  - mean(T_test ))^2;
 
-disp(['训练集数据的R2为：', num2str(R1)])
-disp(['测试集数据的R2为：', num2str(R2)])
+disp(['训练集数据的R2为：', num2str(R1)])
+disp(['测试集数据的R2为：', num2str(R2)])
 
 % MAE
 mae1 = sum(abs(T_sim1' - T_train)) ./ M ;
 mae2 = sum(abs(T_sim2' - T_test )) ./ N ;
 
-disp(['训练集数据的MAE为：', num2str(mae1)])
-disp(['测试集数据的MAE为：', num2str(mae2)])
+disp(['训练集数据的MAE为：', num2str(mae1)])
+disp(['测试集数据的MAE为：', num2str(mae2)])
 
 % MBE
 mbe1 = sum(T_sim1' - T_train) ./ M ;
 mbe2 = sum(T_sim2' - T_test ) ./ N ;
 
-disp(['训练集数据的MBE为：', num2str(mbe1)])
-disp(['测试集数据的MBE为：', num2str(mbe2)])
+disp(['训练集数据的MBE为：', num2str(mbe1)])
+disp(['测试集数据的MBE为：', num2str(mbe2)])
 
-%%  绘制散点图
+%%  绘制散点图
 sz = 25;
 c = 'b';
 
 figure
 scatter(T_train, T_sim1, sz, c)
 hold on
 plot(xlim, ylim, '--k')
-xlabel('训练集真实值');
-ylabel('训练集预测值');
+xlabel('训练集真实值');
+ylabel('训练集预测值');
 xlim([min(T_train) max(T_train)])
 ylim([min(T_sim1) max(T_sim1)])
-title('训练集预测值 vs. 训练集真实值')
+title('训练集预测值 vs. 训练集真实值')
 
 figure
 scatter(T_test, T_sim2, sz, c)
 hold on
 plot(xlim, ylim, '--k')
-xlabel('测试集真实值');
-ylabel('测试集预测值');
+xlabel('测试集真实值');
+ylabel('测试集预测值');
 xlim([min(T_test) max(T_test)])
 ylim([min(T_sim2) max(T_sim2)])
-title('测试集预测值 vs. 测试集真实值')
+title('测试集预测值 vs. 测试集真实值')