【回归预测-Lstm预测】基于长短期记忆网络LSTM实现电价时间序列单步预测附matlab代码

杨利霞

【回归预测-Lstm预测】基于长短期记忆网络LSTM实现电价时间序列单步预测附matlab代码

2 \& W' {" n- o0 o+ ?) `1 内容介绍
​时间序列数据往往反映了某个事件发展的规律,蕴含着丰富的潜在信息。长短期记忆(LSTM)神经网络由于其网络结构的特殊性可以储存信息,解决长期依赖问题,常被用于时间序列预测。对LSTM的研究有利于高效挖掘出时序数据中的重要信息,对社会、经济等各个方面的发展均有着重要的影响。
3 E. |& I# J6 f& K
0 M6 O0 x+ y1 D- n2 部分代码
4 N7 a& U3 R0 Q3 m/ Wclear, clc, close all;

. y: [4 I; x2 _. w+ ndata=xlsread('西班牙电价.csv');
9 ~8 d/ L; m5 Z& Y4 U
7 b  a; n  R/ G' r4 Jdata1=data;
5 y! O8 w6 J2 v) ~9 o
numTimeStepsTrain = floor(89);%89数据训练 ，3个用来验证

dataTrain = data(1:numTimeStepsTrain+1,;% 训练样本
: E6 t( h( I, {4 N, f* r6 e
dataTest = data(numTimeStepsTrain:end,; %测试样本

%训练数据标准化处理

mu = mean(dataTrain,'ALL');

9 H# f; d; Q  Q4 U" Lsig = std(dataTrain,0,'ALL');

( o5 D: s9 h/ c% P7 adataTrainStandardized = (dataTrain - mu) / sig;

3 q6 g7 s3 l9 k+ H* A. x9 QXTrain = dataTrainStandardized(1:end-1,;% 训练输入

. Z& f6 B, c9 k6 f) T: n4 \* ~YTrain = dataTrainStandardized(2:end,;% 训练输出
7 G+ P5 w! H( w2 q1 v
4 [5 l+ V% T7 H8 L# B%% define the Deeper LSTM networks
. e: A7 a! a2 [0 g9 L/ j: M9 W
numFeatures= 1;%输入节点
* N% _2 ^" g+ `. R
- _% f+ X. h& [" O3 c2 l: A0 qnumResponses = 1;%输出节点

numHiddenUnits = 500;%隐含层神经元节点数
6 [+ f' [( e2 Q  b/ n0 @4 m5 k" x
" S, t9 z! n3 gfigure(1)

plot(dataTrain(1:end-1,1));hold on;
! @4 U+ n2 T. `5 g6 K% G! y
idx = (numTimeStepsTrain)numTimeStepsTrain+numTimeStepsTest1);
2 R* q; Z) ]2 j2 j. |# f# }
2 h3 M* b5 n' y4 h# h/ z! I8 Cplot(idx,[(data(numTimeStepsTrain,1))' YPred1(1,],'--d');

xlabel("时间/天")
5 H+ Q4 I  C5 q( n" `
. D% Y1 \" {' K+ D+ lylabel("电价")

legend('实际值','预测值')

, X7 \) y7 P. ^' |$ Rfigure(2)

( }3 c" ^8 r. X9 J; U2 ^! n! S3 vsubplot(2,1,1)
& O/ `8 w3 N5 u+ f, _
plot(YTest(1,)

$ j; V' H% U- m* chold on

: m! U" w4 q# i! d% Xplot(YPred(1,,'.-')
* z; s' I2 ^- r
1 [5 R$ ]5 S/ Q" j& U1 P5 Vhold off
/ e) C8 O, k$ j; x1 i8 F. N
legend(["实际值" "预测值"])

xlabel("时间/天")
! m  k! t. c' W0 W( v: }& ]
  R$ B' Y  Y& j# {7 b; Mylabel("电价")

( X& W: Y/ l: A& D* _  lylim([5000 20000])
* \3 a, `; x$ k8 F+ T
subplot(2,1,2)

4 V# `+ c  }- h4 Q4 m& Kstem(YPred(1, - YTest(1,)
3 j$ @! n! y! W" r% ]2 L5 D  u
3 X. I# s2 ~. S  ]  axlabel("时间/天")
: S/ Z0 o9 n3 E
( u5 x4 X3 n/ w) gylabel("误差")

title("误差百分数 = " + error)
: B5 ?+ z; Y) n  Y3 r0 y
; X0 J; I1 [) L/ G, Q3 Y+ v3 运行结果

  ?/ y0 P3 Y' f# q
  Q, L! u8 Z8 S8 k3 z

4 参考文献
  i( C2 F  |0 ^" l[1]魏昱洲, 许西宁. 基于LSTM长短期记忆网络的超短期风速预测[J]. 电子测量与仪器学报, 2019(2):8.
* Y- n" x3 o/ |4 ^
博主简介：擅长智能优化算法、神经网络预测、信号处理、元胞自动机、图像处理、路径规划、无人机、雷达通信、无线传感器等多种领域的Matlab仿真，相关matlab代码问题可私信交流。
部分理论引用网络文献，若有侵权联系博主删除。
. S/ e6 p! |1 ~* K7 \————————————————
版权声明：本文为CSDN博主「matlab_dingdang」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/matlab_dingdang/article/details/126754796
9 u0 ~0 M  J5 R. k8 c* A! j