【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

1 内容介绍
- q- s: f- t7 X4 T1 C" i4 [7 k8 y) X6 S​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。
+ \. u0 u6 E. A( Z% A7 Q
: C) A# `( J4 s) _6 a% z) B  ]2 部分代码
clear, clc, close all;
( M+ e" ~$ }6 \; `
# w/ W3 P6 t( v' odata=xlsread('西班牙电价.csv');

data1=data;

" u, Z, t$ m. T! SnumTimeStepsTrain = floor(89);%89数据训练 ，3个用来验证

dataTrain = data(1:numTimeStepsTrain+1,;% 训练样本

dataTest = data(numTimeStepsTrain:end,; %测试样本
. q4 C* I5 }4 L
7 K. U+ y8 i# D%训练数据标准化处理
; _) a) U' F3 d
mu = mean(dataTrain,'ALL');

sig = std(dataTrain,0,'ALL');
( G6 W6 K9 C; Q. i6 y, ]" R
7 {  z; w4 O6 [# {+ c( T- ?. rdataTrainStandardized = (dataTrain - mu) / sig;

! B9 w2 K. p4 ZXTrain = dataTrainStandardized(1:end-1,;% 训练输入
5 h7 g- R1 H: h' X* h" l
1 d+ L9 X- x! J2 i4 D6 e+ VYTrain = dataTrainStandardized(2:end,;% 训练输出
: S8 b+ W0 u- z& T& R- w( j
* c5 Q1 z/ e9 {2 T* X/ n* b%% define the Deeper LSTM networks
6 b7 _3 |/ R7 v2 W  R# g
numFeatures= 1;%输入节点
; d6 l" ~$ z0 Z3 ^5 }
numResponses = 1;%输出节点

numHiddenUnits = 500;%隐含层神经元节点数

figure(1)
% S* a  R( J& I- g  P2 ^/ W+ X
3 J9 L. _$ J) U1 ^' m6 w0 @plot(dataTrain(1:end-1,1));hold on;
2 d" D$ w1 ^, O, \, Y% E
0 P, \% q2 k3 a4 G% V5 [! }; jidx = (numTimeStepsTrain)numTimeStepsTrain+numTimeStepsTest1);

plot(idx,[(data(numTimeStepsTrain,1))' YPred1(1,],'--d');

+ W! z5 m3 c1 x0 L; A% R5 ~; S) Axlabel("时间/天")

; z. B: i; _6 A" C1 bylabel("电价")

legend('实际值','预测值')
: e1 P2 O: C$ y5 `4 I7 i- j  M
9 `/ e6 R# x. ]4 k6 X3 J" pfigure(2)
/ P8 w4 _) F- j) W/ Y
& j7 C/ [! X2 F, T$ lsubplot(2,1,1)

0 ~: }. ]7 @! L+ I; C- ?plot(YTest(1,)

hold on

4 ]" D* Z7 _7 f9 V' nplot(YPred(1,,'.-')

' L4 @4 X$ |; k  O/ k1 {hold off
8 X+ Q4 `  z  A9 v% N/ I, L' {: D
& F8 J6 Q0 j6 r) j6 Q  k. Xlegend(["实际值" "预测值"])

5 f5 y5 O1 Y" q" S7 ~6 Qxlabel("时间/天")
3 R9 G) ^, V2 G$ k6 h
ylabel("电价")
0 s6 ]4 ^' |9 J$ [+ B
ylim([5000 20000])

subplot(2,1,2)

stem(YPred(1, - YTest(1,)
" ?+ u; ^( J) Z* F7 ~7 b
xlabel("时间/天")

ylabel("误差")

title("误差百分数 = " + error)
/ U" n+ o' Q! P, f
3 运行结果


- B7 h8 r8 J* J( x

$ W: G/ l, d4 t0 O- c, `% Y4 参考文献
: Q# f: s+ l4 g% w/ e# Z[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.

  E3 V, f) P2 e0 e0 E1 T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。
) n: P* l1 x6 y部分理论引用网络文献，若有侵权联系博主删除。
————————————————
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。
- M5 _; C- E, {5 D* p+ H原文链接：https://blog.csdn.net/matlab_dingdang/article/details/126754796