【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
6 `6 O, g6 G/ D$ ?; t5 Z% \8 u
1 内容介绍
. k* Q  K1 x% C8 C' M* ]5 D​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。
/ T4 X8 u3 t) }. o* `7 v
2 部分代码
clear, clc, close all;

  i, S* l1 r, c5 c& U( `" M! Y/ zdata=xlsread('西班牙电价.csv');

8 F# [8 C1 y! |6 R/ c8 \! \data1=data;
2 B( _& L- x( I1 e
9 ?; ]- h$ q, q% M6 S4 X# n  B2 InumTimeStepsTrain = floor(89);%89数据训练 ，3个用来验证

dataTrain = data(1:numTimeStepsTrain+1,;% 训练样本
  C$ f& u$ x! ?" r+ x9 M/ P8 U
dataTest = data(numTimeStepsTrain:end,; %测试样本
# _4 ]5 \+ @, p2 R. y3 f
# h0 u9 x, ]6 r2 j3 ]) a6 \%训练数据标准化处理
* L/ z$ R, I$ t* ~  c+ J
mu = mean(dataTrain,'ALL');

sig = std(dataTrain,0,'ALL');

dataTrainStandardized = (dataTrain - mu) / sig;
* v, v! a: Z1 s, @: Q
' M2 Y/ Q: E2 S% L7 J' mXTrain = dataTrainStandardized(1:end-1,;% 训练输入

YTrain = dataTrainStandardized(2:end,;% 训练输出

3 V& D, z+ e( b0 [%% define the Deeper LSTM networks

numFeatures= 1;%输入节点

numResponses = 1;%输出节点

, B2 ~( Q/ Q/ ~, |1 unumHiddenUnits = 500;%隐含层神经元节点数

' T' y# L: t5 [' t' `5 sfigure(1)

. o. b. ^) m) v/ f2 v3 Q; t& N7 splot(dataTrain(1:end-1,1));hold on;
' y6 ?: G! L& N) C- d
+ ~2 l+ q$ z6 ?$ e# D% D+ }) Midx = (numTimeStepsTrain)numTimeStepsTrain+numTimeStepsTest1);

: g$ ?" V% C: z0 o  ]6 G" \6 Hplot(idx,[(data(numTimeStepsTrain,1))' YPred1(1,],'--d');
. X, W( f* q( T2 p
( J9 L$ w+ ^/ rxlabel("时间/天")
. {7 F% h$ O4 I
. I7 I: A/ W$ [8 _4 p- s5 sylabel("电价")

7 V) ^9 Z2 y& Z3 M- c" blegend('实际值','预测值')

figure(2)
' p9 ^5 m& l$ b. ~6 W
subplot(2,1,1)

plot(YTest(1,)
: x) T+ @% t1 {+ u, W& }8 Y3 P
* ?/ g) z8 z, u, J- Yhold on
& T/ F* }$ L" b
/ o" @- q; S6 j+ hplot(YPred(1,,'.-')

hold off
$ l( B+ i: L7 g1 l/ D6 B+ ^
5 ]- o" a/ V7 q% `% klegend(["实际值" "预测值"])

$ T: N# P/ ~, x+ W9 |xlabel("时间/天")
- x9 i1 d, V. v; Z1 G
ylabel("电价")

ylim([5000 20000])
% f6 |% Q* {/ l6 F
9 q/ l- o* f+ I- X8 V5 Isubplot(2,1,2)
1 y6 K* S. ^2 f) p7 V
! U6 l5 U9 e" S: S/ J( u, hstem(YPred(1, - YTest(1,)
# d7 z; I& ]+ ^0 ]' d! L4 U- f
9 j" Z& W8 Y7 j- u# P9 Ixlabel("时间/天")
% X) N% w. H' p' F$ L& v2 D
/ @$ |& a/ Y$ t# J9 a: Lylabel("误差")

) {/ n/ Q$ e% R: l! _9 V' _title("误差百分数 = " + error)

3 运行结果



3 Q5 Q* F1 t, |% O
/ F! u# `( D" s  i4 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。
$ i( W$ \' Y. O* L0 U部分理论引用网络文献，若有侵权联系博主删除。
, F9 s8 b4 f* g4 @0 U————————————————
2 I) I+ n2 Z  h/ P5 C- V) q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。
3 k7 r" J4 W3 u+ Q原文链接：https://blog.csdn.net/matlab_dingdang/article/details/126754796

& y) f2 m7 ^# S) q) C
) m1 d4 }1 m6 `* b, _