手把手玩转MATLAB时间序列预测：NAR神经网络实战

时间序列nar自回归神经网络预测matlab程序代码 。 代 码直接运行即可，数据excel格式。

最近在研究电力负荷预测的时候，发现MATLAB的NAR神经网络用起来真香。直接把时间序列数据喂进去，不用做复杂的特征工程就能出效果。今天给大家分享一套开箱即用的代码，数据格式就用最常见的Excel表格，复制粘贴就能跑通。

先看数据准备部分。假设我们有一列名为"负荷"的历史数据（保存为data.xlsx），读取后先做个归一化处理：

% 读取Excel数据（第一列） rawData = xlsread('data.xlsx'); data = rawData(:,1); % 数据归一化到[-1,1] [normalizedData, ps] = mapminmax(data', -1, 1); normalizedData = normalizedData';

归一化这步挺关键，特别是当数据量级差异大时，能避免神经网络训练时梯度爆炸。这里用mapminmax函数把数据压缩到[-1,1]区间，ps对象留着后面反归一化用。

接下来是构建NAR网络的核心代码：

% 设置时间滞后阶数（看前5个时间点预测下一个） inputDelay = 1:5; hiddenLayerSize = 10; % 隐藏层神经元数 % 创建NAR网络 net = narnet(inputDelay, hiddenLayerSize); % 数据集划分比例 net.divideParam.trainRatio = 70/100; net.divideParam.valRatio = 15/100; net.divideParam.testRatio = 15/100; % 训练参数设置 net.trainParam.showWindow = true; % 不显示训练窗口 net.trainParam.showCommandLine = true; % 显示训练进度 net.trainParam.epochs = 1000; % 最大训练次数

这里有几个有意思的点：inputDelay控制着模型回溯的时间步长，类似于ARIMA模型里的p参数。设置成1:5表示用前5个时间点的值预测下一个值。隐藏层用了10个神经元，这个数不是固定的，数据量大的话可以适当增加，但别贪多否则容易过拟合。

训练过程我们用了早停法（通过验证集监控），避免训练次数太多导致过拟合。来看训练代码：

% 准备训练数据 [Xs, Xi, Ai, Ts] = preparets(net, {}, {}, normalizedData); % 开始训练！ [net, tr] = train(net, Xs, Ts, Xi, Ai); % 预测未来10个时间点 predictionSteps = 10; [netc, Xic, Aic] = preparets(net, {}, {}, normalizedData(1:end-predictionSteps)); ypred = netc(normalizedData(end-predictionSteps+1:end), Xic, Aic);

preparets这个函数特别重要，它把原始数据转换成神经网络需要的滞后格式。比如原始数据是[1,2,3,4,5]，设置滞后阶数为2时，会生成输入样本：[[1,2]→3, [2,3]→4]这样的结构。

最后做个结果可视化和误差计算：

% 反归一化恢复原始量纲 predictedData = mapminmax('reverse', cell2mat(ypred), ps); % 画对比曲线 figure plot(data, 'b-', 'LineWidth', 2) hold on plot(length(data)-predictionSteps+1:length(data), predictedData, 'r--o') legend('实际值', '预测值') % 计算RMSE rmse = sqrt(mean((data(end-predictionSteps+1:end) - predictedData').^2)); fprintf('RMSE: %.2f\n', rmse);

实际跑出来的效果，如果数据周期性明显（比如用电负荷的日周期、周周期），预测曲线会和真实值贴合得比较紧。遇到过的一个坑是：当数据有突变点时，预测结果可能会"惯性滞后"。这时候可以尝试增大inputDelay的阶数，或者加入外部影响因素（不过那就是NARX模型的范围了）。

这套代码最爽的地方在于改改Excel文件就能适配各种时间序列场景——股票价格预测、天气预测、设备振动监测都试过，改几个参数就能跑起来。想要更骚的操作，还可以试试把LSTM层替换进去，不过那就是另一个故事了。