多维时序 | LightGBM多变量时序预测（Matlab完整源码和数据，适合基础小白研究）

效果一览

在这里插入图片描述

基本介绍

Matlab实现LightGBM多变量时序预测

1.data为数据集，运行环境为Matlab2020b及以上；

2.main.m为主程序文件，其余为函数文件，无需运行。

3.输入多个特征，输出单个变量，考虑历史特征的影响，多变量时间序列预测；

4.命令窗口输出MAE、MAPE、RMSE和R2，可在下载区获取数据和程序内容。

注:仅支持Windows 64位系统

程序设计

完整程序和数据获取方式私信博主回复LightGBM多变量时序预测（Matlab完整源码和数据，适合基础小白研究））。

%%  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%%  加载工具箱
loadlibrary('lib_lightgbm.dll', 'c_api.h')%%  导入数据
result = xlsread('data.xlsx');%%  数据分析
num_samples = length(result);  % 样本个数
or_dim = size(result, 2);      % 原始特征+输出数目
kim =  2;                      % 延时步长（kim个历史数据作为自变量）
%%  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
P_train = res(1: num_train_s, 1: f_)';
T_train = res(1: num_train_s, f_ + 1: end)';
M = size(P_train, 2);P_test = res(num_train_s + 1: end, 1: f_)';
T_test = res(num_train_s + 1: end, f_ + 1: end)';
N = size(P_test, 2);%%  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);%%  矩阵转置
p_train = p_train'; p_test = p_test';
t_train = t_train'; t_test = t_test';%%  加载数据到 GBM
pv_train = lgbmDataset(p_train);
setField(pv_train, 'label', t_train);pv_test = lgbmDataset(p_test, pv_train);
setField(pv_test, 'label', t_test);%%  设置参数