【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
5 p2 N$ G7 M( n6 I) u
% r$ C4 z5 ~9 X' ?6 Z: _1 内容介绍
! r- c. X8 e$ P! f; q+ 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。
' N0 i% ~% D6 _1 i4 X! ^
6 `, P( ~# X$ w" d7 y1 ]2 部分代码
% N9 Z7 k0 x* e3 c, L- U0 D+ I8 zclear, clc, close all;

* H$ T  @3 B+ A8 S. B) Odata=xlsread('西班牙电价.csv');
9 d% W/ M- c9 k* S
data1=data;
1 i% E& M( u+ h1 E
numTimeStepsTrain = floor(89);%89数据训练 ，3个用来验证
) E+ e8 y( Z  X( l+ G
  w5 F' }+ `& V5 E2 LdataTrain = data(1:numTimeStepsTrain+1,;% 训练样本

' M7 b  M1 n2 M5 k0 \3 QdataTest = data(numTimeStepsTrain:end,; %测试样本

2 A$ N, F6 ~* ]8 b; y& o! T  [%训练数据标准化处理

  E. v5 k4 M2 g. smu = mean(dataTrain,'ALL');

sig = std(dataTrain,0,'ALL');

8 l. ~6 J3 Q1 `# P1 }; xdataTrainStandardized = (dataTrain - mu) / sig;
" }0 x" q. }! j1 V! h$ V* T
; n, n% b$ Y% n4 {. f$ GXTrain = dataTrainStandardized(1:end-1,;% 训练输入

5 [- G* O, j& c: s, e/ ~& JYTrain = dataTrainStandardized(2:end,;% 训练输出

%% define the Deeper LSTM networks
4 ?4 }) R& \# ?
5 [# t  G) G0 v) e/ c( Y; |numFeatures= 1;%输入节点

5 I( J/ @3 t9 `/ M7 r2 u/ l9 JnumResponses = 1;%输出节点
7 @! v& e! f4 f" Y7 {* k+ R; z
! ?' F( D# ~* ]7 r9 `+ K2 znumHiddenUnits = 500;%隐含层神经元节点数
$ h( v. e% i1 |0 O' }
figure(1)

plot(dataTrain(1:end-1,1));hold on;

idx = (numTimeStepsTrain)numTimeStepsTrain+numTimeStepsTest1);

' u5 G, T+ n4 Y% }- k" Fplot(idx,[(data(numTimeStepsTrain,1))' YPred1(1,],'--d');

xlabel("时间/天")
+ `* h, \6 R. P* t5 O! f0 f
ylabel("电价")

6 A" X0 f0 r1 O5 J" Slegend('实际值','预测值')

figure(2)

subplot(2,1,1)

- r+ v4 [6 P# J4 C- j3 splot(YTest(1,)

hold on

' _9 d) {4 E; z! {+ b3 Y' Pplot(YPred(1,,'.-')
8 O& O" E% N) A0 S
; X* }- ?% w' D5 D5 K6 jhold off

% a. N# u6 A/ t! @legend(["实际值" "预测值"])

xlabel("时间/天")
7 P# Q. o! ^% ?' M; p
) W" Y1 Q# O6 _/ {7 rylabel("电价")

- `! i$ j4 f& c- G- f; q1 `ylim([5000 20000])
* ]6 E2 R$ K" x
. p9 c6 C4 f: N2 J* Hsubplot(2,1,2)
* n! p2 Y. {: W, t. [
5 l9 n% v, i" e# estem(YPred(1, - YTest(1,)
! d: i  n2 `& l
xlabel("时间/天")
5 W# i, d' W( S
ylabel("误差")
9 @% E0 G3 P$ n# i) o/ {% r, e
title("误差百分数 = " + error)

% }) r3 x, y- l8 K2 C3 运行结果

- ^  J( W! p2 q! R5 o) d2 m1 \

- l& Q" W% `& h: t. \/ z
4 参考文献
0 K* j, C& i, H' D) L& a7 V[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.

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
8 E: z7 x" A4 N/ Z+ s5 r
2 g7 H3 H! T) \# ~