BP神经网络时间序列预测

x=[54167
55196
56300
57482
58796
60266
61465
62828
64653
65994
67207
66207
65859
67295
69172
70499
72538
74542
76368
78534
80671
82992
85229
87177
89211
90859
92420
93717
94974
96259
97542
98705
100072
101654
103008
104357
105851
107507
109300
111026
112704
114333
115823
117171
118517
119850
121121
122389
123626
124761
125786
126743
127627
128453
129227
129988
130756
131448
132129
132802
134480
135030
135770
136460
137510]';
[x,ps]=mapminmax(x,0,1);
% 该脚本用来做NAR神经网络预测
% 作者：Macer程
lag=3; % 自回归阶数
iinput=x; % x为原始序列（行向量）
n=length(iinput);

%准备输入和输出数据
inputs=zeros(n-lag,lag);
for i=1:n-lag
inputs(i,:)=iinput(i:i+lag-1)';
end
targets=x(lag+1:end)

%创建网络
P=inputs;
P=P';
T=targets;
net=newff(minmax(P),[10,1],{'logsig','purelin'},'trainlm');
inputWeights=net.IW{1,1} ;
inputbias=net.b{1};
layerWeights=net.LW{2,1} ;
layerbias=net.b{2,1} ;

% 避免过拟合，划分训练，测试和验

net.trainParam.show = 50;
net.trainParam.lr = 0.1;
net.trainParam.mc = 0.04;
net.trainParam.epochs = 500;
net.trainParam.goal = 1e-5;


%训练网络
[net,tr] = train(net,P,T);
%% 根据图表判断拟合好坏
yn=net(P);
errors=T-yn;
figure, ploterrcorr(errors)

figure, parcorr(errors)
%绘制偏相关情况
%[h,pValue,stat,cValue]=
lbqtest(errors)
%Ljung－Box Q检验（20lags）
figure,plotresponse(con2seq(targets),con2seq(yn))
%看预测的趋势与原趋势
%figure, ploterrhist(errors)
%误差直方图
%figure, plotperform(tr)
%误差下降线


%% 下面预测往后预测几个时间段
fn=7; %预测步数为fn。

f_in=iinput(n-lag+1:end)';
f_out=zeros(1,fn); %预测输出
% 多步预测时，用下面的循环将网络
for i=1:fn
f_out(i)=net(f_in);
f_in=[f_in(2:end);f_out(i)];
end
% 画出预测图
figure,plot(1949:2013,iinput,'b',2013:2020,[iinput(end),f_out],'r')