【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
6 n  y' O/ p; z9 d5 l3 M  P2 \
6 o! ?8 J4 l( K! q/ d4 S0 E1 内容介绍
- t) n( u' H0 Q  @​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;
; O4 b( A7 f) v! w
$ Q7 C9 z* v9 s6 adata=xlsread('西班牙电价.csv');

/ j8 C4 K6 B" D2 Q5 S" h: j* xdata1=data;
) f& x4 s! a# n
2 p- H3 M; o4 \# \4 u, I1 OnumTimeStepsTrain = floor(89);%89数据训练 ，3个用来验证

3 A6 @0 O2 t9 pdataTrain = data(1:numTimeStepsTrain+1,;% 训练样本
9 L# i: H; q: C& K* M) ^
. v) m+ ?% _9 ~6 s3 ZdataTest = data(numTimeStepsTrain:end,; %测试样本
. w( t, B9 e! B4 v7 |; ]
/ Q9 @6 r) b/ D%训练数据标准化处理

mu = mean(dataTrain,'ALL');

sig = std(dataTrain,0,'ALL');
1 X8 r6 h" j) ?7 B& f& A) `
1 h: l+ D1 o+ wdataTrainStandardized = (dataTrain - mu) / sig;

5 j2 P; X6 H& b! C9 v" Q# v% G! `& lXTrain = dataTrainStandardized(1:end-1,;% 训练输入
7 c" D) n- u9 z$ n. E
  ~" U9 z  [' u. `) ~) u; N- vYTrain = dataTrainStandardized(2:end,;% 训练输出

%% define the Deeper LSTM networks

) N& b! I6 |2 ynumFeatures= 1;%输入节点

/ k! V% V$ N! ?# D  r' q) u* _numResponses = 1;%输出节点
# X4 j1 ]" ^2 H' g$ K$ {
: T, T5 w* D5 k( B0 S7 N1 ~numHiddenUnits = 500;%隐含层神经元节点数

figure(1)

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

# A. i! F( |8 w$ B& I8 eidx = (numTimeStepsTrain)numTimeStepsTrain+numTimeStepsTest1);
/ d3 h2 ^7 e& I
2 P& X8 }/ H$ B: Q$ y/ K  Uplot(idx,[(data(numTimeStepsTrain,1))' YPred1(1,],'--d');

xlabel("时间/天")

ylabel("电价")

! G; L0 ~1 e4 X' l! ]  [! k9 jlegend('实际值','预测值')
/ P* I) U+ _  F+ m' W, z% \( Y
& B* F9 U: c  _2 [7 Zfigure(2)
$ {3 z# l' B: n
subplot(2,1,1)

plot(YTest(1,)

hold on

plot(YPred(1,,'.-')
0 }  ~) X! P: |7 ~; Z+ H" J) |7 L1 Z
hold off
) w. m# L* a/ \, x1 Z; M+ D- U
legend(["实际值" "预测值"])
8 F  y& y# s8 K8 \% r! B: x
xlabel("时间/天")
8 |& y& W* g) H( c* b" N
4 j" M0 P9 n. M0 e0 a8 Rylabel("电价")
; F3 }8 k$ X/ O
ylim([5000 20000])

( J, U9 P7 n/ a) q6 u) g2 {5 }subplot(2,1,2)
2 ~2 l6 [5 V2 I
stem(YPred(1, - YTest(1,)
. G1 j& S: G1 I0 w9 Y# Y  k
xlabel("时间/天")
, D: Y0 p+ o& ?8 Z& N& |( Z" Y; y
ylabel("误差")

title("误差百分数 = " + error)
9 ^. Z, J# R( G' J# j
3 运行结果
, M0 H5 C" z, q1 x& h4 N
* _, _# o( o7 F" X, F/ G
: o/ X0 m; N& z  ^5 C' l  l
- F! ?# y! }2 g* U0 @& e0 I. E+ P
8 R3 [: E3 M: P  o& N4 R" S1 H4 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.

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。
6 @7 w0 c" J$ t9 D1 t% Q3 D9 }2 t- [% e部分理论引用网络文献，若有侵权联系博主删除。
" c3 J( u$ o& c9 B————————————————
4 c, v( M) W* L' Y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+ k! {! {, B+ D9 E3 K原文链接：https://blog.csdn.net/matlab_dingdang/article/details/126754796
0 r0 l. T  V" @5 u. r2 h