【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
​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。
' {7 Q, P5 r! W+ R% b" `5 \- P
2 部分代码
, U7 s$ _' C! Yclear, clc, close all;

/ j1 Y  ^9 s4 Z3 v6 p) E7 qdata=xlsread('西班牙电价.csv');
& s+ e: i  t- t7 @4 D7 q1 v6 v: I; [
. @# `- L1 C0 I1 V: wdata1=data;

# s" M. V, }7 X, s8 A5 CnumTimeStepsTrain = floor(89);%89数据训练 ，3个用来验证
$ I; P; v$ _$ R! f
" @$ i6 {* V, qdataTrain = data(1:numTimeStepsTrain+1,;% 训练样本

dataTest = data(numTimeStepsTrain:end,; %测试样本
* S+ G) l  J" f/ ?
4 ?( f+ {% O2 R# t: J! d%训练数据标准化处理
3 u8 G. ~2 d- L4 W8 Z
mu = mean(dataTrain,'ALL');

sig = std(dataTrain,0,'ALL');
) W- I; t0 I# ^9 l4 M
dataTrainStandardized = (dataTrain - mu) / sig;
0 k" C4 \& B; L
XTrain = dataTrainStandardized(1:end-1,;% 训练输入
; j1 ~. H* z$ K0 o. ^. g( r' o
YTrain = dataTrainStandardized(2:end,;% 训练输出

+ M  b' z# F: h# l, U%% define the Deeper LSTM networks
: c& l$ W- C+ h$ [# ]9 }
. _* [6 J& L9 |5 n, m! `, ?+ I& ?numFeatures= 1;%输入节点
4 ?1 p% A; z! m: Y
7 ^/ v" |7 d  v: x5 rnumResponses = 1;%输出节点

5 c& G: {1 x! I" l9 OnumHiddenUnits = 500;%隐含层神经元节点数
/ W2 R' s! i8 d4 [: L' G4 y
figure(1)
. k7 U/ e# p% }- H  X
& [0 D( x, B1 \7 o) a, vplot(dataTrain(1:end-1,1));hold on;
9 n) c8 t% Q3 B6 V) h, `/ e
  b' L& N3 Q2 h. R" z; ^2 Yidx = (numTimeStepsTrain)numTimeStepsTrain+numTimeStepsTest1);

) u6 p1 S' b3 @; |- fplot(idx,[(data(numTimeStepsTrain,1))' YPred1(1,],'--d');
+ x3 O2 l7 y4 C" b. q
8 m9 W' x2 T6 M5 h( s& S4 }xlabel("时间/天")
# j, D9 G- b. z
ylabel("电价")

legend('实际值','预测值')
0 U. Y" O4 m  k9 O0 ~. z+ i
/ R% @& p, u* U, v  xfigure(2)
9 C3 V% d& N4 R7 x
subplot(2,1,1)

plot(YTest(1,)

9 a/ V# a8 y& Y$ L: _0 thold on
" Z3 t- c* c: z& ]3 l2 o! g9 J9 I
* [* o/ f& R7 l6 g( x/ X4 vplot(YPred(1,,'.-')
$ u" J$ p8 K8 o8 J  ?# m* u" C
hold off

legend(["实际值" "预测值"])

& |7 f/ g( @* v" ^xlabel("时间/天")
, P4 H6 f; @( n) S) }& @" u; q' T
  K2 ]- Y* V: G! n1 fylabel("电价")

7 o! f1 i( g% u4 s( S* ~ylim([5000 20000])

& V& `+ c( \2 Y0 [subplot(2,1,2)

2 M7 V, [5 K: istem(YPred(1, - YTest(1,)

: o1 x4 }- h4 v6 b- sxlabel("时间/天")
  l# ^! {$ x5 I4 b
ylabel("误差")

* J# j- ^& h, ?) ]1 Jtitle("误差百分数 = " + error)

3 运行结果

3 b) S; u- y* d+ e/ v
( f1 W+ x, [5 z
6 G$ R5 m9 h) G0 Y
% B$ w' J+ X! F# q: ^0 ~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。
部分理论引用网络文献，若有侵权联系博主删除。
* w, X* S4 A' `0 q: A————————————————
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。
( Z# h5 d5 _; Y* z8 d! g) l/ ^原文链接：https://blog.csdn.net/matlab_dingdang/article/details/126754796
3 O( Z; h: a$ i1 e
/ r# O8 A5 r# B) O: L3 j