【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

3 L) P7 \5 J# J. U; H* t" N1 内容介绍
! a+ W+ o4 V" r, b7 @! n! r4 T​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。

. T% g- B# R0 e) U2 部分代码
3 L  a, O9 C/ L$ ]) N$ Hclear, clc, close all;
5 b) Y0 c4 q! f
data=xlsread('西班牙电价.csv');
' B# T$ \! f% h7 C- t, O8 F6 g8 g
5 B7 L8 i9 I, q( `0 V' n" M: Edata1=data;
% X0 d6 y6 m0 K' G
: {4 b1 p9 b" R6 NnumTimeStepsTrain = floor(89);%89数据训练 ，3个用来验证
8 H/ J1 K! R0 l" s- f' v
3 q9 w1 `5 Q/ ~% |* NdataTrain = data(1:numTimeStepsTrain+1,;% 训练样本
5 ]6 M* H* ^0 Q6 v) V
dataTest = data(numTimeStepsTrain:end,; %测试样本
9 \( f; z! B; M" \! g; S* y
. p0 [) h9 H/ Z3 {8 u%训练数据标准化处理
+ C; L, f! o* S* z
8 V8 P& O2 Q, ?mu = mean(dataTrain,'ALL');

4 A& Y: O, S$ u0 P" ~sig = std(dataTrain,0,'ALL');

4 T6 i# K7 @% y0 G0 o6 S) C, q% EdataTrainStandardized = (dataTrain - mu) / sig;

0 I. y- a! B& uXTrain = dataTrainStandardized(1:end-1,;% 训练输入
% H6 q8 x1 t0 _7 n
9 c2 X2 g1 C( v- o* g6 pYTrain = dataTrainStandardized(2:end,;% 训练输出
+ s+ |+ j4 ^- p3 O- e
% c3 n! y% s1 ^1 D%% define the Deeper LSTM networks

numFeatures= 1;%输入节点
5 A3 m7 ]" V& e9 b
  \( o8 h/ u! jnumResponses = 1;%输出节点

; c" B8 h, x, V( c, G! LnumHiddenUnits = 500;%隐含层神经元节点数

3 P8 C) u! \( K+ j2 O' v( {figure(1)
4 b0 k9 x, p0 S$ ?
+ }- c& s% L) o: vplot(dataTrain(1:end-1,1));hold on;

( Y7 a. y' m) `# N' b% n9 K' jidx = (numTimeStepsTrain)numTimeStepsTrain+numTimeStepsTest1);
! H- S) C" p/ a& o3 U( @, Z
plot(idx,[(data(numTimeStepsTrain,1))' YPred1(1,],'--d');

xlabel("时间/天")

* k+ A& F) w5 Z  g- |4 zylabel("电价")

legend('实际值','预测值')

0 c7 U+ x5 X; v- e9 J$ S0 g: vfigure(2)

subplot(2,1,1)
4 U+ l6 w4 n7 E) i% a9 ~0 r
plot(YTest(1,)
3 N+ v/ ^6 ^) s. _& ?+ n+ M
$ I  K% Q( F- t2 k& X- nhold on

* t& S: v9 }7 V( d' O0 Nplot(YPred(1,,'.-')

: E$ M4 o' c/ Xhold off

/ _8 A, t8 |% O9 p* V$ J( r' |legend(["实际值" "预测值"])

, X7 P% @3 c8 p- U* k% zxlabel("时间/天")

ylabel("电价")
3 ^" Q, |7 D& V* R  t3 V
( ^# Y" c5 \- `4 nylim([5000 20000])

subplot(2,1,2)
* U2 c5 ?! I  z/ {$ |) E
# X7 j) h* e: Dstem(YPred(1, - YTest(1,)
. ~8 D) u: E( o  N( {% u( F2 K& A4 a
xlabel("时间/天")

2 Q5 L3 P* S' x5 f, n4 z, G+ J2 a  Kylabel("误差")

title("误差百分数 = " + error)

3 运行结果


4 [: ^$ T; N9 z9 U' q

4 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.
7 \. `2 E2 P( r
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。
3 I1 c) v# `& c, V6 V6 H6 r部分理论引用网络文献，若有侵权联系博主删除。
  r5 B3 ~6 S$ S- Z# m; T2 W————————————————
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
9 g# Z% d( p# ~! u1 s
& _2 t9 \$ g7 W7 U