【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
( s& z1 ]6 k* O3 e1 F
1 内容介绍
3 j& @, X; a4 I& \- L6 ?: G0 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。
, O! f1 `5 N* `1 Y5 ~. p
2 部分代码
clear, clc, close all;

data=xlsread('西班牙电价.csv');

data1=data;
" a% F, u, f; F# {: b& `6 B& }, _& G
3 S$ g: C& Y5 ?numTimeStepsTrain = floor(89);%89数据训练 ，3个用来验证
0 ^& q4 I$ d4 U
dataTrain = data(1:numTimeStepsTrain+1,;% 训练样本

dataTest = data(numTimeStepsTrain:end,; %测试样本
9 \. `' A1 y3 U# f& `
%训练数据标准化处理
1 h6 r9 o7 u5 ~+ F7 p, a
mu = mean(dataTrain,'ALL');

( `% _, k2 f$ S$ lsig = std(dataTrain,0,'ALL');

6 Z: k; B: I. X& W; o% q9 W5 }8 \dataTrainStandardized = (dataTrain - mu) / sig;
3 w6 r0 |) Y) L! o/ Q) R
XTrain = dataTrainStandardized(1:end-1,;% 训练输入
9 i7 W- ?, V8 a
0 e) l- @' _. L# u1 C% T4 S/ [YTrain = dataTrainStandardized(2:end,;% 训练输出
) z, W- P  A( q
%% define the Deeper LSTM networks
$ A2 r3 h1 ?9 ^' }0 s
numFeatures= 1;%输入节点
0 `& I9 R! M' _$ M6 s3 L/ ~: o7 s
numResponses = 1;%输出节点
8 f; J0 B( m7 U4 j! x$ C3 W
) ~$ @2 p4 h( H- n6 f$ MnumHiddenUnits = 500;%隐含层神经元节点数

. W" ]4 \# d6 bfigure(1)
0 F5 K% t$ f  E% j
plot(dataTrain(1:end-1,1));hold on;
: H* f- |, Z1 g# L  y: e
; `9 ~, q: t$ P4 Aidx = (numTimeStepsTrain)numTimeStepsTrain+numTimeStepsTest1);
; o9 d8 p& }9 ^5 m! `, {
: }3 `% E/ P' t; R# x0 wplot(idx,[(data(numTimeStepsTrain,1))' YPred1(1,],'--d');

* \7 J5 M4 S" u- u- x: Uxlabel("时间/天")
; c# _* S1 z9 e; a' o. V4 w& E" x
ylabel("电价")
# ~$ r0 l+ S& p9 ]8 h
3 \6 H7 X. U. ?" E* glegend('实际值','预测值')

figure(2)

% a( `& H! y, s1 h8 X3 M3 S8 ~subplot(2,1,1)

plot(YTest(1,)

; N8 X1 j: m6 S0 _2 lhold on
3 ]" s- I- C( I6 f0 J
) |$ n# y' C$ G4 S3 w5 Hplot(YPred(1,,'.-')

- k: j% d4 J# j$ Chold off

legend(["实际值" "预测值"])

xlabel("时间/天")
6 e- L& Z! V  Q: U) K' J4 H
ylabel("电价")
/ z" l! z+ Q* E0 S" B! t
ylim([5000 20000])

subplot(2,1,2)

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

xlabel("时间/天")
* N+ ~9 U% d2 m# U9 @$ w
; |% l2 N0 K: j9 {8 O0 y( gylabel("误差")
  I, Z7 ]8 Q! {4 f. A" \* U
title("误差百分数 = " + error)

- A& g% f7 _! d4 @$ S( s- G( b3 运行结果




& K! G& q4 H7 U! c4 参考文献
+ R; F- W/ b6 R! ~[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.
, J9 g& d1 h1 [9 t% {3 j' O
% p& I- a9 j3 @1 m* s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。
% i6 l/ o! J+ a9 [部分理论引用网络文献，若有侵权联系博主删除。
* t' K- @. b6 u+ `& U& ?————————————————
! t( H3 S' i0 J9 `/ K  \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。
' [% A& Q1 {7 w! S  P原文链接：https://blog.csdn.net/matlab_dingdang/article/details/126754796

) v) s: `0 s* B) _: M5 i9 n( ]) @
& h! h& K4 N7 s% x) ^6 y: `6 D; ]