【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
3 O& R0 H; L1 i1 B0 a$ e' @) _( S
1 内容介绍
& d4 U) N' w, h5 b​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。

2 部分代码
clear, clc, close all;
& j2 O% S3 U( r: g% |
0 O* ?6 @0 K5 `4 n% E) u1 e/ J7 v  odata=xlsread('西班牙电价.csv');

: d+ }/ S* f0 @6 F. R) z) q  gdata1=data;

$ U3 _. v; ~7 m- TnumTimeStepsTrain = floor(89);%89数据训练 ，3个用来验证
& Y$ M4 y" R" U5 {- q* j1 h
/ i- b" K" U' NdataTrain = data(1:numTimeStepsTrain+1,;% 训练样本
5 e3 A0 A7 N+ l) H# `' y
dataTest = data(numTimeStepsTrain:end,; %测试样本
9 Z+ |- _* e, [9 S7 d- ?, ~6 ^
%训练数据标准化处理
+ a3 y: D) Z4 e. M/ V. M
mu = mean(dataTrain,'ALL');

# ?6 K& A2 Q* u6 Lsig = std(dataTrain,0,'ALL');
; Z+ j& ?/ z+ H/ @
5 _) N/ V$ O1 k4 R* ~" a5 ]" ?$ z0 rdataTrainStandardized = (dataTrain - mu) / sig;
7 o9 D+ \& I5 A* V& i& u
% y. m2 l2 q" hXTrain = dataTrainStandardized(1:end-1,;% 训练输入
0 ?5 S4 u8 D: R+ z# Y) [4 u) j
YTrain = dataTrainStandardized(2:end,;% 训练输出
6 D: `' \2 q8 n; U. ^3 K; \& d
" q4 R9 F+ @% \" k+ I  R: S%% define the Deeper LSTM networks

# A$ z  [& K5 ~! ^% YnumFeatures= 1;%输入节点

numResponses = 1;%输出节点
8 T3 ]" }: h0 D9 Y# q; S
numHiddenUnits = 500;%隐含层神经元节点数

figure(1)

' p: d( f! b: w. f4 |plot(dataTrain(1:end-1,1));hold on;

idx = (numTimeStepsTrain)numTimeStepsTrain+numTimeStepsTest1);
) F" R+ P/ n/ w! c- T, t) b
plot(idx,[(data(numTimeStepsTrain,1))' YPred1(1,],'--d');
6 E% Q' j& w# I* m0 @% s& W  R' q
6 r7 D; W1 Z/ ^xlabel("时间/天")

. L' m, d) D1 s1 v' Lylabel("电价")
) y* g5 ~) C( T9 S3 ~1 ^, z
) @/ o6 p" T& q) ^0 M2 k9 o' Klegend('实际值','预测值')

figure(2)
0 {+ ~" }) }9 N) I
subplot(2,1,1)

plot(YTest(1,)
8 x9 Q+ z. V  I8 E0 M) Q
+ w: Q: R: l9 z1 Vhold on

7 E* _1 G. u/ Q8 B3 r/ \plot(YPred(1,,'.-')

9 w& z# _" [. m- \! H) Jhold off
5 ~/ M5 Z2 T0 W! h0 S
legend(["实际值" "预测值"])

9 \# W- y* P$ f5 t- f+ U6 J) d4 T6 x! Axlabel("时间/天")
  m' T  o6 I: X$ V) Z# K% F2 B
' O. {% p8 R# B7 T2 Rylabel("电价")

% j8 Z9 `7 [" Sylim([5000 20000])
3 ]1 y/ ~" V" x, p7 d  c
. S. `3 f& A+ v8 lsubplot(2,1,2)

stem(YPred(1, - YTest(1,)

xlabel("时间/天")

ylabel("误差")
4 b8 b5 E; i% T6 V; Z
title("误差百分数 = " + error)
$ f4 I- Y6 J5 ^) P
3 运行结果
; A$ O" v/ q3 L5 y; Z8 t( ~2 R
7 |. S, E; X# F! O( Z8 D7 Y

4 ?  S" A. B* I4 I- x: x  c) W# f6 d
4 参考文献
[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.

# ]: O, u4 Z6 V8 }' e7 ]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。
————————————————
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
0 F) {) u& P7 [3 k- L4 {& n( {" ~$ i
, Y7 Y2 r: I$ S