【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 f' m1 v- l$ ?. ?1 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。
2 @! e' M- e" u$ b, N1 ~
9 K6 \: ^9 e; I% Y- W% d- }$ r7 x2 部分代码
clear, clc, close all;

data=xlsread('西班牙电价.csv');

# a* G+ t3 W1 Ldata1=data;
; e5 R/ U$ Q3 z/ n
& q! B" f& L, _! {/ ~numTimeStepsTrain = floor(89);%89数据训练 ，3个用来验证
4 Y8 m6 y/ f+ G& M
dataTrain = data(1:numTimeStepsTrain+1,;% 训练样本
) g; X8 L/ Q0 K
dataTest = data(numTimeStepsTrain:end,; %测试样本
( w. V3 Z: \$ R* h  F+ i
5 o* X) l. q+ V) y" @% O%训练数据标准化处理

mu = mean(dataTrain,'ALL');
5 }8 u7 m+ |. F' t$ s% h. D; C7 H
sig = std(dataTrain,0,'ALL');

' v" [% X" @* Z* `" kdataTrainStandardized = (dataTrain - mu) / sig;
: F! p1 B. `+ m4 \; _% W
$ w4 v. M, F; Z, JXTrain = dataTrainStandardized(1:end-1,;% 训练输入

# _7 Q0 z$ M, l; F- ^9 yYTrain = dataTrainStandardized(2:end,;% 训练输出

2 [- a2 f6 c8 \* B: z- f4 m3 e- Y%% define the Deeper LSTM networks
' W$ X. c! c" n; ^
numFeatures= 1;%输入节点
) y9 x. F, ^9 U/ [6 f
numResponses = 1;%输出节点
# _9 V( ]% z! L# u& y
& u$ v  Q5 F. g5 r; [numHiddenUnits = 500;%隐含层神经元节点数
% i8 M/ c& v+ F0 p) k  x/ A6 c
figure(1)
1 p8 ^/ k0 ^) X. Y: G5 ]
plot(dataTrain(1:end-1,1));hold on;

" i# J' L% N" k$ q1 K+ midx = (numTimeStepsTrain)numTimeStepsTrain+numTimeStepsTest1);
! ~1 g2 U! E8 k/ p4 K
; Z' P) C) a4 E  G) g7 \6 `, `plot(idx,[(data(numTimeStepsTrain,1))' YPred1(1,],'--d');

8 V- b' s/ _( @$ z2 D7 b$ C" |xlabel("时间/天")

ylabel("电价")

9 D' R7 e3 E8 t" N$ g0 _7 Wlegend('实际值','预测值')
, p' f. |2 I0 r+ ~* l, v
9 Z4 u9 v" J/ Qfigure(2)

subplot(2,1,1)

: H" q! Z3 M- e: Lplot(YTest(1,)
+ Q3 R$ V- Z: Y& j$ z5 M7 v
4 ]# B9 @& _: S3 C, }hold on

plot(YPred(1,,'.-')
8 H+ f4 o6 v3 p, X/ W
& e9 h  b* v+ D0 J* j% ihold off
! f9 I& R, L  U# P0 ]0 |; u3 u
legend(["实际值" "预测值"])

/ V' V# l/ T- f: H1 K) I" oxlabel("时间/天")

  k* J1 g# K8 Z3 A: jylabel("电价")
$ K! _1 |( `1 q" X1 h; e
ylim([5000 20000])

2 B  ]" t* b( W% h& k1 c5 I4 Gsubplot(2,1,2)
! B! t" k" U7 s' E! d/ W8 V1 i
0 z& T8 N2 L% ostem(YPred(1, - YTest(1,)

& T' h5 C8 R; }xlabel("时间/天")

3 f" {1 y% A% `: r# |, d" Gylabel("误差")

title("误差百分数 = " + error)
' C4 Z" l" I* T( y" m& u
' A0 Y& n( s  T0 j% g4 }3 运行结果
0 k% d9 H' N9 {6 Z% W: u



8 g- ^4 X* W8 B! r" N4 O; G4 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.
; s- q9 M: D0 n
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。
' I* {, F' X5 |# Z% t% z. l6 k————————————————
; O* w/ |# A( M5 ]/ O5 m" S( ~, I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