【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
9 y6 ]8 m  F' T7 }9 t, H
, Z. k2 W4 ?, p% ~5 N1 内容介绍
: D9 ~; Y- J1 }4 D' r+ r& G3 c​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。

+ H* A, `2 b) C2 k+ ^4 v) m2 部分代码
/ H1 H: l* M; h0 o0 p/ Hclear, clc, close all;
& s. @/ w+ q' G1 N" o8 M* |
' }- d3 v2 y! F8 `- Sdata=xlsread('西班牙电价.csv');

data1=data;

numTimeStepsTrain = floor(89);%89数据训练 ，3个用来验证
2 p4 D/ [" a* _4 Z
  \: ?- l4 ]) R6 |7 FdataTrain = data(1:numTimeStepsTrain+1,;% 训练样本
1 e7 J7 F  U+ N" z
dataTest = data(numTimeStepsTrain:end,; %测试样本
7 p; [1 `3 ^2 z' e
) s4 E7 y. C( T8 v$ d%训练数据标准化处理

, [0 x) ?0 A& g% _$ Bmu = mean(dataTrain,'ALL');
* u9 d) d+ A& N7 Y) a
sig = std(dataTrain,0,'ALL');

9 q$ `0 A7 R9 idataTrainStandardized = (dataTrain - mu) / sig;

8 e4 o+ M! p" FXTrain = dataTrainStandardized(1:end-1,;% 训练输入

5 O3 t, t! v- X5 P9 F9 |YTrain = dataTrainStandardized(2:end,;% 训练输出

%% define the Deeper LSTM networks

* f) X3 b' a! _/ lnumFeatures= 1;%输入节点

numResponses = 1;%输出节点
9 a; |, o6 Z2 \+ s8 s! ^' Z  @2 O  b
numHiddenUnits = 500;%隐含层神经元节点数

( m9 ~  c4 J  i, ^, Lfigure(1)

( t8 n$ g' m. y* y6 i7 g3 Kplot(dataTrain(1:end-1,1));hold on;
! m7 @8 j' ^8 x0 k0 P
idx = (numTimeStepsTrain)numTimeStepsTrain+numTimeStepsTest1);

+ u# S4 W0 U4 H. ?5 m% Iplot(idx,[(data(numTimeStepsTrain,1))' YPred1(1,],'--d');
2 v% T7 \, o7 N
xlabel("时间/天")
0 H1 D, i2 C6 D% t* d5 g( s( Z
, b/ l% W* k, q0 nylabel("电价")

legend('实际值','预测值')
) \2 N5 r7 `6 t! ?0 a/ [
figure(2)
9 [2 |# J6 n4 I3 s
subplot(2,1,1)

1 g4 a3 m* d% _2 k/ Lplot(YTest(1,)
2 u( v2 Y, \0 m7 M/ o- Z
hold on
* a- h' a% ]- D0 L* {5 C: C2 `2 w  x
/ B' j4 Y/ Q5 w$ u8 ]: jplot(YPred(1,,'.-')

$ k! o( u0 o& Xhold off
! ]0 A3 `9 x% p( I5 x8 w! V, y6 Y1 j
" u& }/ n" t4 s1 D. R" Clegend(["实际值" "预测值"])
- c/ s3 z! n6 h
& d% w1 e+ K1 A0 [xlabel("时间/天")

8 @$ L# P* G" o4 S0 T. Eylabel("电价")

: [1 }' [! O' ~7 i" j, }ylim([5000 20000])
; q; @, w& y1 C9 A0 Y7 Y
subplot(2,1,2)

) U) U4 t) S1 S2 S6 o" @. Vstem(YPred(1, - YTest(1,)

xlabel("时间/天")
( P# k& k) E; S+ ~
! G* ~; ^/ a% X4 u% Eylabel("误差")

title("误差百分数 = " + error)
* r/ Q2 G8 g! k& U: e
8 F# n" L: ]7 x6 e$ }% c3 运行结果




" r$ Q9 b2 `! z. W. q& l4 参考文献
' Y$ J  O4 I2 E8 Z) b[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.
3 J- ~0 K( U7 y
* |/ y9 @. E$ {/ K0 b% X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。
% r; e2 ?& A  e; U部分理论引用网络文献，若有侵权联系博主删除。
————————————————
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。
" v$ }! _- T. K3 V. t% O原文链接：https://blog.csdn.net/matlab_dingdang/article/details/126754796

+ y2 H* M' b" p( y* j* _- \  W* n