【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 h; P& p5 w' R9 f4 E7 m' p1 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。
9 ~, |: h7 h# a6 Q
2 部分代码
/ i# h6 M5 ?# E& Y) Pclear, clc, close all;

data=xlsread('西班牙电价.csv');

data1=data;

- {6 i9 u: H0 X) _8 Y0 DnumTimeStepsTrain = floor(89);%89数据训练 ，3个用来验证

- o% _4 R+ g) ^- o# g$ H8 zdataTrain = data(1:numTimeStepsTrain+1,;% 训练样本
; b7 g/ ]" f  |$ ?: Q( B, z( i
dataTest = data(numTimeStepsTrain:end,; %测试样本
& Z; l' k! `. Y$ v8 F! H: i0 I( B4 M- U0 R
%训练数据标准化处理

# C% T' E; @6 t$ x6 Smu = mean(dataTrain,'ALL');
/ J" H6 B) b: l, B6 ]% N
  @& ~: P, S' i6 _2 ~sig = std(dataTrain,0,'ALL');

. I$ ^* W4 z  m, CdataTrainStandardized = (dataTrain - mu) / sig;
; h$ y* |" W- n- L2 X9 ^
XTrain = dataTrainStandardized(1:end-1,;% 训练输入

YTrain = dataTrainStandardized(2:end,;% 训练输出

9 a; p2 Q+ i9 G8 i& A% S%% define the Deeper LSTM networks
) G0 k5 J  H$ _6 V. f
numFeatures= 1;%输入节点
8 D$ g0 x# L+ }
numResponses = 1;%输出节点

numHiddenUnits = 500;%隐含层神经元节点数
7 I. D& k7 l% \. D% B* |7 b9 Y
2 H& A7 A' z' y. B% Jfigure(1)
4 V: M$ E3 W4 c
plot(dataTrain(1:end-1,1));hold on;

" e/ T  ^8 B3 L& D* }. Cidx = (numTimeStepsTrain)numTimeStepsTrain+numTimeStepsTest1);
9 l; ~* D9 D: x7 p) O9 C" U) Q
plot(idx,[(data(numTimeStepsTrain,1))' YPred1(1,],'--d');
2 \2 w, x* P# n5 L
& ?' V! F( m& {* Pxlabel("时间/天")
( A2 d8 I8 G3 Y, b
ylabel("电价")
( l0 u# L! ?: O! h8 ^3 A
legend('实际值','预测值')
/ u" `% E6 E7 a* I
figure(2)
7 m6 f1 d! g% _5 v: d4 Z
subplot(2,1,1)
8 o+ o3 S# x  n: e' Q7 w: Z
0 @8 T3 c. t  s1 Bplot(YTest(1,)
( o* Q6 R/ W/ n, i+ f( H
hold on

plot(YPred(1,,'.-')
% K1 h+ x4 R+ s  T. \+ r
; d7 {1 ^) T1 F. c/ chold off

legend(["实际值" "预测值"])

! k; d, L2 b, L" A$ C' Fxlabel("时间/天")

8 l( u5 W/ x  O- O& Rylabel("电价")

2 @6 K4 u4 w$ e; J, wylim([5000 20000])
6 U" A0 v8 F/ h) l
subplot(2,1,2)

) P, z; ]( ~; a, Rstem(YPred(1, - YTest(1,)

xlabel("时间/天")

ylabel("误差")
3 p: R+ H/ s$ x0 c+ q+ C
# r" e; Q" o: }7 ^title("误差百分数 = " + error)
% v$ V! }- E! W. v5 Q' `2 }
1 r$ ?6 h4 n9 W8 F& e9 f2 ^3 运行结果



3 X& H9 d$ I0 Q! x' F. @5 Q
4 参考文献
5 D& {! `+ h, a7 q' N( s[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。
5 b/ @6 B2 v, W9 D- _8 O2 h————————————————
8 Z1 L% R: Y' W4 K+ W8 H3 X4 i0 e9 V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

& B* J/ i. \0 U/ e% _
; \5 L( g1 b0 O2 T0 c8 _