【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
2 m1 D' ^' W& U" U; Z4 E8 F​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。
: |- P( L/ V1 ?, y, E: R6 @8 k3 |# L
2 部分代码
* y* `2 j& H1 T+ e% yclear, clc, close all;
+ r" i. Y1 w9 ]3 G. _
' a8 i" K) J( D, n, @- G' Wdata=xlsread('西班牙电价.csv');
  ^- I5 M8 a' Y" [
  o' y* f" f  b3 {- r% W. edata1=data;

numTimeStepsTrain = floor(89);%89数据训练 ，3个用来验证

4 B# v/ K; v( c' j  T, OdataTrain = data(1:numTimeStepsTrain+1,;% 训练样本

4 `3 c; e  |! `4 p1 RdataTest = data(numTimeStepsTrain:end,; %测试样本

%训练数据标准化处理

# A% b( `1 u2 u: z% Nmu = mean(dataTrain,'ALL');
  H  l  m9 P/ K3 [3 W4 H) W
sig = std(dataTrain,0,'ALL');
1 C  @: ?0 C. t8 U1 S. r& `1 E
' y  c1 Y! I. B# G8 ^9 CdataTrainStandardized = (dataTrain - mu) / sig;

XTrain = dataTrainStandardized(1:end-1,;% 训练输入

: N. O: v$ y2 D/ kYTrain = dataTrainStandardized(2:end,;% 训练输出
, f' O/ s/ {- o6 k& ?, D. D+ j
# p  ^& E9 P9 T2 m  t! _: z%% define the Deeper LSTM networks

numFeatures= 1;%输入节点
% X  h6 I4 X* H" ]  v4 u0 W
numResponses = 1;%输出节点
! j" S: J# _, H3 S/ p, X
5 ?$ n  S* W6 @9 snumHiddenUnits = 500;%隐含层神经元节点数

5 R' E, [0 i: x* |; ?6 Zfigure(1)
% V5 R: Q/ q  Q" V3 x% A
: a, x* T4 @: U) M+ t6 gplot(dataTrain(1:end-1,1));hold on;

idx = (numTimeStepsTrain)numTimeStepsTrain+numTimeStepsTest1);

plot(idx,[(data(numTimeStepsTrain,1))' YPred1(1,],'--d');
' s* A, f' ^' n$ ~" P6 }
xlabel("时间/天")
" e" w  ^5 R8 E
ylabel("电价")
9 Y5 {+ s, o1 a8 I- a  i
legend('实际值','预测值')

figure(2)

+ U6 ]5 J; J, w. U2 w8 ]/ K: csubplot(2,1,1)
7 n& l4 i! _6 S) L7 T
plot(YTest(1,)

hold on
" N0 q4 \1 r2 x4 T0 G# N' `6 A! Q3 v
plot(YPred(1,,'.-')
6 o+ [5 c7 ?& G! i, r7 B+ O5 f5 ^- a
! T8 N" O8 _# e4 v# j8 J) \hold off

legend(["实际值" "预测值"])

xlabel("时间/天")

" \# w3 e' `( x& Mylabel("电价")
  E7 J& p5 Q  Y8 Z
ylim([5000 20000])

" s5 k8 j1 s) H- Usubplot(2,1,2)
- i5 j" |8 L  j. z8 q& {9 M7 ~
stem(YPred(1, - YTest(1,)

3 g* p5 t! C- d0 u( Jxlabel("时间/天")
. z; f5 {7 J% a" z: ?; x
" s% V! }" E5 L1 Y: p" aylabel("误差")
& ~0 u2 U; s7 {/ _7 b
title("误差百分数 = " + error)
/ {  f  H! n# e3 S4 m" ^
3 运行结果

( b' D6 p6 j' F2 R. D8 S# b' p* m8 |
3 N/ q8 g" P2 S# {/ \

/ U# u# u; e; n, D* a/ H8 _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.

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。
4 O: c! o, D( b3 S- D部分理论引用网络文献，若有侵权联系博主删除。
( K" T1 l% ?1 B0 A1 t0 G" x————————————————
' D  ?1 v7 @9 ~7 g. C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。
+ m- r3 I+ e! n3 P原文链接：https://blog.csdn.net/matlab_dingdang/article/details/126754796