%%?清空環境變量
clc;
clear?all
close?all
nntwarn?off;
%%?數據載入
aa=xlsread（‘test.xls‘‘sheet3‘‘a1:a41‘）;
lag=4;????%?自回歸階數
iinput=aa;?%?x為原始序列（行向量）
n=length（iinput）;
%準備輸入和輸出數據
inputs=zeros（lagn-lag）;%產生log行n-log列的元素為0的矩陣因為是兩階的。所以是兩個數據預測第三個數據。
for?i=1:n-lag
????inputs（:i）=iinput（i:i+lag-1）‘;
end
targets=aa（lag+1:end）;
targets=targets‘;%將目標矩陣轉置，與inputs矩陣對應使兩個矩陣列數相等（與原始數據是橫還是列數據有關）
%創建網絡
hiddenlayerSize?=?10;?%隱藏層神經元個數
net?=?fitnet（hiddenlayerSize）;%以隱藏層神經元的個數來建立網絡
%?避免過擬合，劃分訓練，測試和驗證數據的比例
net.divideParam.trainRatio?=?70/100;
net.divideParam.valRatio?=?15/100;
net.divideParam.testRatio?=?15/100;

%訓練網絡
[nettr]?=?train（netinputstargets）;%trian訓練函數，trian（網絡結構，輸入數據，對應的目標數據）
%%?根據圖表判斷擬合好壞
yn=net（inputs）;
errors=targets-yn;
figure?ploterrcorr（errors）??????????????????????%繪制誤差的自相關情況（20lags）
figure?parcorr（errors）??????????????????????????%繪制偏相關情況
%[hpValuestatcValue]=?lbqtest（errors）?????????%Ljung－Box?Q檢驗（20lags）
figureplotresponse（con2seq（targets）con2seq（yn））?%看預測的趨勢與原趨勢
%figure?ploterrhist（errors）??????????????????????%誤差直方圖
%figure?plotperform（tr）??????????????????????????%誤差下降線
%%?下面預測往后預測幾個時間段
fn=10;??%比如預測步數為fn。
f_in=iinput（n-lag+1:end）;%原來給出的數據末尾幾個數據作為預測的開始輸入，具體是幾個數據與自回歸階數log有關，log是幾就以多少個末尾數據作為預測的輸入。f_in=iinput（n-lag+1:end）‘;加不加轉置與所給的數據是橫還是列有關
f_out=zeros（1fn）;??%預測輸出
%?多步預測時，用下面的循環將網絡輸出重新輸入

for?i=1:fn
????f_out（i）=net（f_in）;
????f_in=[f_in（2:end）;f_out（i）];
end
%?畫出預測圖
figureplot（1:niinput‘b-s‘n:n+fn[iinput（end）f_out]‘r-d‘）

?屬性????????????大小?????日期????時間???名稱
-----------?---------??----------?-----??----

?????文件???????1872??2016-08-23?09:54??神經網絡訓練預測\Neizupre.m

?????文件??????19968??2016-08-23?09:49??神經網絡訓練預測\test.xls

?????文件?????????52??2016-08-23?10:34??神經網絡訓練預測\使用說明.txt

?????目錄??????????0??2016-08-23?10:34??神經網絡訓練預測

-----------?---------??----------?-----??----

????????????????21892????????????????????4