【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
+ a9 f  r9 D* O  E6 Q6 }: ~* `
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。

2 部分代码
5 S. U. i% x8 vclear, clc, close all;
& [: i+ ?1 a' P$ ~& Y
data=xlsread('西班牙电价.csv');

data1=data;
' |; Q6 _; e3 q3 \$ u
numTimeStepsTrain = floor(89);%89数据训练 ，3个用来验证
. L/ ^/ L8 _1 J2 I: T7 {
dataTrain = data(1:numTimeStepsTrain+1,;% 训练样本

, o5 n7 b0 s, ]2 d7 L+ hdataTest = data(numTimeStepsTrain:end,; %测试样本

' H9 u6 P& P- k3 s& F3 w%训练数据标准化处理
. L9 l& z4 ]) S* n1 L
" _; P# c/ S- D; O2 ]0 x# hmu = mean(dataTrain,'ALL');
; I1 L' C& n  H# Q
sig = std(dataTrain,0,'ALL');

dataTrainStandardized = (dataTrain - mu) / sig;

+ O' b+ o6 h7 v0 E) n# }XTrain = dataTrainStandardized(1:end-1,;% 训练输入
' R) L. J/ r* \6 m
1 s. Y2 W: G6 sYTrain = dataTrainStandardized(2:end,;% 训练输出

3 j0 R2 x5 m' t4 t* Y%% define the Deeper LSTM networks

5 i& d  ~* Y; B1 x3 `numFeatures= 1;%输入节点

numResponses = 1;%输出节点

numHiddenUnits = 500;%隐含层神经元节点数
" {: L5 n6 Q! T* Q! k6 m( p
figure(1)
; F* p5 \/ a2 l5 u. H( X( z9 [
plot(dataTrain(1:end-1,1));hold on;

6 }" u$ X5 b0 G& E. Y+ ~idx = (numTimeStepsTrain)numTimeStepsTrain+numTimeStepsTest1);

plot(idx,[(data(numTimeStepsTrain,1))' YPred1(1,],'--d');
! q0 h! ^5 s8 C" u7 U
xlabel("时间/天")

ylabel("电价")
: j  A7 _+ c6 A: B0 W6 u8 W4 e- d
( `+ T& {' _* Ulegend('实际值','预测值')

figure(2)

subplot(2,1,1)
5 q$ \; W$ @0 _9 x5 p
: O; \9 w# _" W3 pplot(YTest(1,)

hold on

plot(YPred(1,,'.-')
% W0 b  |& g. I! Q" f' B& v  _% C0 `* T
# H! A& t8 h) ^3 \hold off

+ ?9 X3 _8 I0 m" O1 r4 ylegend(["实际值" "预测值"])

xlabel("时间/天")

  t6 V$ z* h; b" w) b& O% r  Hylabel("电价")
7 Q/ g( B( }3 g  v
$ j8 ~3 P! j/ ]: q6 }0 Q: jylim([5000 20000])
; a7 Q* T0 N- F, L
subplot(2,1,2)

8 q7 d- t, o! P* @# Xstem(YPred(1, - YTest(1,)
, }9 {4 j  S& C  ]
/ T2 Z- |# d8 N5 c6 W4 e  \xlabel("时间/天")
3 l  h# @. f/ V, \
ylabel("误差")

title("误差百分数 = " + error)
. ?5 O) c% _! V& m9 D
" D/ [5 a; {$ p3 运行结果

2 z9 ^) H; @/ s2 V# ^1 t2 c0 R! J


4 参考文献
, t# O% b  Q9 }7 ?[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。
7 M. Y' n6 }  g$ Z# v8 t; w部分理论引用网络文献，若有侵权联系博主删除。
" z' \) U9 i+ L, ^————————————————
2 R' K8 N( \# [' G1 M9 L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。
$ g: r4 O6 F) `' C! m4 J3 q原文链接：https://blog.csdn.net/matlab_dingdang/article/details/126754796
  I# c% y- C2 W2 R* N5 q) c