【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

4 A6 u: r' ?% R. M/ d6 p1 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 部分代码
: F# ]/ y3 [, p3 j2 c  Uclear, clc, close all;
5 z6 d- {9 l9 |5 N/ {, q
data=xlsread('西班牙电价.csv');

data1=data;
; J5 Y- F  R' V" f, `8 g* _
numTimeStepsTrain = floor(89);%89数据训练 ，3个用来验证

& z! B( Z0 B' RdataTrain = data(1:numTimeStepsTrain+1,;% 训练样本
3 ?2 l8 a* |6 t7 B
dataTest = data(numTimeStepsTrain:end,; %测试样本
' ~; T5 F2 p9 y" D/ l6 i% {" V3 Q' E  @
%训练数据标准化处理
2 Q, b8 o& @/ V' `
mu = mean(dataTrain,'ALL');
* p& r9 v* K! X$ J9 w* w
8 ?- p: i6 u/ J# g* `sig = std(dataTrain,0,'ALL');
6 j8 y) s; [9 F6 W8 R
7 I  G- b7 u% H  udataTrainStandardized = (dataTrain - mu) / sig;

, f9 [; f, u  X! V5 s0 R4 CXTrain = dataTrainStandardized(1:end-1,;% 训练输入
7 P' W+ N" f+ P7 m# p2 b1 v$ b) k# a' S
' b: g; G0 H' U$ c: O& HYTrain = dataTrainStandardized(2:end,;% 训练输出
) E& Y+ |2 S: f  d: ^: T1 o
%% define the Deeper LSTM networks
- q0 V( V( g3 f0 K0 @0 }
numFeatures= 1;%输入节点
; k' o4 T; R7 L: w6 }
numResponses = 1;%输出节点
  Q7 {! l5 q) j) ?: m
0 j0 G, ^4 a4 C# VnumHiddenUnits = 500;%隐含层神经元节点数

6 W* f& p# Z" x- {figure(1)

( R# _2 E3 ?, \# m" l- c0 V* hplot(dataTrain(1:end-1,1));hold on;

+ b" K. B) [, y  Pidx = (numTimeStepsTrain)numTimeStepsTrain+numTimeStepsTest1);

. e# h4 S! {; V1 Aplot(idx,[(data(numTimeStepsTrain,1))' YPred1(1,],'--d');
- l# S- l9 G/ k5 B' }6 R
. }" g6 A0 _7 Y9 c/ Q( Yxlabel("时间/天")
) x" p! @6 k0 R: l; n# ^
  _; s8 [- _2 g7 D  ~: aylabel("电价")
0 W1 C# S4 b9 I, G& o
$ W# N& q6 ?) A4 ]5 P( Xlegend('实际值','预测值')
* n& G! v. x7 {* M7 |% ]: b; r- z' s
figure(2)
3 \. G: n! }; B) i/ c2 I
! @: D, D. |# I" Y0 u7 dsubplot(2,1,1)

6 O0 ]/ u, h1 S9 Kplot(YTest(1,)

- u0 g/ X; w5 ^' }  i- N9 ?1 Thold on
% P3 Q( S) z2 x' L8 A8 L
plot(YPred(1,,'.-')

6 W$ i1 b% |: i2 R) v4 A1 Phold off

legend(["实际值" "预测值"])
9 Z/ W& q6 O6 O3 h- `, y7 O& q
# [! `$ f5 y# c% o7 _1 h# i. txlabel("时间/天")

$ [" h4 `$ w8 {# iylabel("电价")
0 ~4 u1 F! C" z- L0 B5 y0 M
ylim([5000 20000])
6 i4 y8 j( n2 A4 c
3 O5 N( \+ t5 E) Z% p" ssubplot(2,1,2)

stem(YPred(1, - YTest(1,)
4 T2 R& _; j: x% g: a* }/ A2 t
xlabel("时间/天")
+ u# ]" a" M% N" J9 y9 H2 ~; {
4 F- h& t! p8 M; _+ s; K, hylabel("误差")
1 w4 y6 K# V1 }" a: v, S2 ^
6 q% O6 E! R; A* _title("误差百分数 = " + error)
6 x" @  z" v- @% A# Y; `
3 运行结果




4 Y) ~6 p6 X9 H1 v8 g4 参考文献
  H; N: M! z! l7 Q/ p6 b[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.

8 r0 c! d8 `9 e+ [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。
" c: {) N. }3 P部分理论引用网络文献，若有侵权联系博主删除。
: a* d$ Z. J/ g& x! 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。
# N$ S% _# G* A1 J6 y1 }0 E原文链接：https://blog.csdn.net/matlab_dingdang/article/details/126754796