给定有excel数据，建立一个基于分位数回归的深度残差网络区间预测模型代码

这个任务比较复杂，需要涉及到多个领域的知识，包括数据处理、深度学习、回归等。下面是一个简单的代码示例，供参考：

import pandas as pd
import numpy as np
import tensorflow as tf
from tensorflow.keras.layers import Input, Dense, Dropout, Concatenate, BatchNormalization, Reshape, Lambda
from tensorflow.keras.models import Model
from tensorflow.keras.callbacks import EarlyStopping

# 读取excel数据
data = pd.read_excel('data.xlsx')

# 数据预处理
X = data.drop(['y'], axis=1).values
Y = data['y'].values
q = [0.1, 0.3, 0.5, 0.7, 0.9]  # 分位数

# 计算分位数
quantiles = np.percentile(Y, q)

# 将Y转换为分类问题
Y_class = np.zeros((Y.shape[0], len(q)))
for i in range(len(q)):
    Y_class[:,i] = (Y <= quantiles[i]).astype(int)

# 构建模型
inputs = Input(shape=(X.shape[1],))
x = Dense(64, activation='relu')(inputs)
x = BatchNormalization()(x)
x = Dropout(0.2)(x)
x = Dense(32, activation='relu')(x)
x = BatchNormalization()(x)
x = Dropout(0.2)(x)
outputs = []
for i in range(len(q)):
    output_i = Dense(1, activation='linear')(x)
    outputs.append(output_i)
model = Model(inputs=inputs, outputs=outputs)

# 定义损失函数
def quantile_loss(y_true, y_pred):
    e = y_true - y_pred
    return tf.keras.backend.mean(tf.keras.backend.maximum(q*e, (q-1)*e), axis=-1)

# 编译模型
model.compile(optimizer='adam', loss=quantile_loss)

# 训练模型
es = EarlyStopping(monitor='val_loss', patience=5, verbose=1)
history = model.fit(X, [Y_class[:,i] for i in range(len(q))], validation_split=0.2, epochs=100, callbacks=[es])

# 预测
y_pred = model.predict(X)

# 计算区间预测误差
error = np.zeros((Y.shape[0], len(q)))
for i in range(len(q)):
    error[:,i] = np.abs(Y - y_pred[i][:,0])
    
# 输出结果
print('Median absolute error: {}'.format(np.median(error[:,2])))
print('90% interval absolute error: {}'.format(np.percentile(error[:,[0,-1]], 90)))

需要注意的是，这只是一个简单的示例代码，具体情况需要根据自己的数据和需求进行修改和调整。