【神经网络时间序列】请教NAR网络预测问题，谢谢

Posted 2023-05-17

想问一下时间序列对于建好的网络如何进行预测

NAR的网络如何进行预测呢？和NARX网络有什么区别？非常谢谢！

1：循环预测
这种预测非常符合我们的思考方式，毕竟网络的输出是依赖于当前和（或）过去的输入输出，那么同样，y(t+2)是依赖于y(t+1)的，所以循环预测是大家都能接受的方式！
for k=1:2,
Ai11,k=zeros(10,1);
Ai12,k=y1k;
end
for k=1:2,
Pi11,k=u1k;
end
yp1 = sim(narx_net_closed,p1,Pi1,Ai1);
2：一次性预测
这种预测方式是Matlab所独特的,因为matlab提供了相应的函数，帮你把数据进行了shift,
[p1,Pi1,Ai1,t1] = preparets(narx_net_closed,u1,,y1);
yp1 = narx_net_closed(p1,Pi1,Ai1);
plot([cell2mat(yp1)' cell2mat(t1)'])
再次感谢！！

NAR网络是只有y(t),NARX网络是有x(t)和y(t).
对于NAR网络来说，其只能够输出相对于延迟向量的下一个值。故需要用循环不断更新集合，把时间步往前推进。

T=tonndata(force,false,false); %输入和输出矩阵须为cell类型的矩阵，且不能用num2cell来转换，如果使用二维cell矩阵，将会被认为是两个输入从而不能训练.假设force数据集只有50个（一行）。
force_raw=T(1:30); %创造一个1*30的Xi，与延迟向量1:30对应起来。为已知矩阵。
for j=1:50 %y1的前20个是对照着force里面第31个到50个，加上可以预测后面30个数据。
y1(j)=net(T(10),force_raw); %这里还需要大神指教，T（10）里面是当前矩阵，数字可以任意取，结果都一样。只是为了输出一维矩阵
force_raw=[force_raw(2:end),y1(j)]; %更新得到新的已知矩阵，为2,3~,30,31，下一步第一行应该是得到第43个。 不断更新即可得到预测值。 参考技术A 可以实现的，其结果应不会很差。

Matlab：神经网络时间序列预测？

【中文标题】Matlab：神经网络时间序列预测？

【英文标题】：Matlab: neural network time series prediction?

【发布时间】：2013-02-22 02:36:27

【问题描述】：

背景：我正在尝试使用 MATLAB 的神经网络工具箱来预测数据的未来值。我从 GUI 运行它，但我还包含了下面的输出代码。

问题：我的预测值落后于实际值2个时间段，我不知道如何实际看到“t+1”（预测）值。

代码：

% Solve an Autoregression Time-Series Problem with a NAR Neural Network
% Script generated by NTSTOOL
% Created Tue Mar 05 22:09:39 EST 2013
%
% This script assumes this variable is defined:
%
%   close_data - feedback time series.

targetSeries = tonndata(close_data_short,false,false);

% Create a Nonlinear Autoregressive Network
feedbackDelays = 1:3;
hiddenLayerSize = 10;
net = narnet(feedbackDelays,hiddenLayerSize);

% Choose Feedback Pre/Post-Processing Functions
% Settings for feedback input are automatically applied to feedback output
% For a list of all processing functions type: help nnprocess
net.inputs1.processFcns = 'removeconstantrows','mapminmax';

% Prepare the Data for Training and Simulation
% The function PREPARETS prepares timeseries data for a particular network,
% shifting time by the minimum amount to fill input states and layer states.
% Using PREPARETS allows you to keep your original time series data unchanged, while
% easily customizing it for networks with differing numbers of delays, with
% open loop or closed loop feedback modes.
[inputs,inputStates,layerStates,targets] = preparets(net,,,targetSeries);

% Setup Division of Data for Training, Validation, Testing
% For a list of all data division functions type: help nndivide
net.divideFcn = 'dividerand';  % Divide data randomly
net.divideMode = 'time';  % Divide up every value
net.divideParam.trainRatio = 70/100;
net.divideParam.valRatio = 15/100;
net.divideParam.testRatio = 15/100;

% Choose a Training Function
% For a list of all training functions type: help nntrain
net.trainFcn = 'trainlm';  % Levenberg-Marquardt

% Choose a Performance Function
% For a list of all performance functions type: help nnperformance
net.performFcn = 'mse';  % Mean squared error

% Choose Plot Functions
% For a list of all plot functions type: help nnplot
net.plotFcns = 'plotperform','plottrainstate','plotresponse', ...
  'ploterrcorr', 'plotinerrcorr';


% Train the Network
[net,tr] = train(net,inputs,targets,inputStates,layerStates);

% Test the Network
outputs = net(inputs,inputStates,layerStates);
errors = gsubtract(targets,outputs);
performance = perform(net,targets,outputs)

% Recalculate Training, Validation and Test Performance
trainTargets = gmultiply(targets,tr.trainMask);
valTargets = gmultiply(targets,tr.valMask);
testTargets = gmultiply(targets,tr.testMask);
trainPerformance = perform(net,trainTargets,outputs)
valPerformance = perform(net,valTargets,outputs)
testPerformance = perform(net,testTargets,outputs)

% View the Network
view(net)

% Plots
% Uncomment these lines to enable various plots.
%figure, plotperform(tr)
%figure, plottrainstate(tr)
%figure, plotresponse(targets,outputs)
%figure, ploterrcorr(errors)
%figure, plotinerrcorr(inputs,errors)

% Closed Loop Network
% Use this network to do multi-step prediction.
% The function CLOSELOOP replaces the feedback input with a direct
% connection from the outout layer.
netc = closeloop(net);
[xc,xic,aic,tc] = preparets(netc,,,targetSeries);
yc = netc(xc,xic,aic);
perfc = perform(net,tc,yc)

% Early Prediction Network
% For some applications it helps to get the prediction a timestep early.
% The original network returns predicted y(t+1) at the same time it is given y(t+1).
% For some applications such as decision making, it would help to have predicted
% y(t+1) once y(t) is available, but before the actual y(t+1) occurs.
% The network can be made to return its output a timestep early by removing one delay
% so that its minimal tap delay is now 0 instead of 1.  The new network returns the
% same outputs as the original network, but outputs are shifted left one timestep.
nets = removedelay(net);
[xs,xis,ais,ts] = preparets(nets,,,targetSeries);
ys = nets(xs,xis,ais);
closedLoopPerformance = perform(net,tc,yc)

提出的解决方案：我相信答案就在代码“早期预测网络”的最后一部分。我只是不确定如何消除“一次延迟”。

附加问题：是否有可以从中输出的函数，以便我可以反复使用它？还是我只需要在获得下一个时间段的数据后继续重新训练？

【问题讨论】：

您确定问题出在代码中吗？如果您的时间序列是非平稳的，您可能会有输出滞后的印象！

这是一个动态时间序列，是的。我想预测序列中的下一个值。我可以使用非线性自回归 (NAR) 神经网络来做到这一点吗？

NAR 的主要假设是数据是平稳的 - 即均值和方差随时间保持不变。固定数据的一个例子是正弦波，是吗？我的数据是随机的，它非线性变化且非平稳。您会推荐什么来尝试预测这一点？

我相信你应该分步进行：（1）看数据是否平稳； （2）如果不是，处理它（例如，区分数据）； (3) 测试最可能的模型，例如ar模型； (4) 尝试非线性模型，例如nar； (5) 去一个 nn 模型。

如果我错了，请纠正我，但 NAR 网络只有一个要预测的输入，那么我们必须在“输入”和“目标”中写什么？

【参考方案1】：

为了确保这个问题在答案已经存在时不会保持开放，我将发布似乎解决该问题的评论：

感谢@DanielTheRocketMan

我认为你应该分步进行：

查看数据是否静止 如果不是，处理它（例如，区分数据） 测试最可能的模型，例如 ar 模型 尝试非线性模型，例如 nar 转到 nn 模型。

【参考方案2】：

尝试更简单的版本。我已经测试了这段代码，这段代码对我来说很好。

inputs = X;  %define input and target
targets = y;

hiddenLayerSize = 10;
net = patternnet(hiddenLayerSize);

%   Set up Division of Data for Training, Validation, Testing

net.divideParam.trainRatio = 70/100;
net.divideParam.valRatio = 15/100;
net.divideParam.testRatio = 15/100;

[net,tr] = train(net,inputs,targets);

outputss(x,:) = net(inputs);

errors = gsubtract(targets,outputss);
mse(errors)