【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
  I+ h% j7 Q$ i' V% n( @! p
1 内容介绍
, O0 u8 s/ a. T( E​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。
3 X3 M  {+ Y) O9 R
2 部分代码
clear, clc, close all;
6 M; E0 Y" D# ^" Q2 h
1 M/ c/ [0 |) b% t, xdata=xlsread('西班牙电价.csv');
9 b3 x5 g, L* ?) H! `" \
data1=data;
' H  T! \8 Y2 X3 f. h2 w
2 }7 L- x. x1 a0 W6 KnumTimeStepsTrain = floor(89);%89数据训练 ，3个用来验证

dataTrain = data(1:numTimeStepsTrain+1,;% 训练样本

" u* Y! |/ n/ w0 A& D: edataTest = data(numTimeStepsTrain:end,; %测试样本
; u3 k' z( O/ i7 E3 o( `7 {9 w
%训练数据标准化处理
9 Y6 V! O5 |" b  B" E, `; d. V  b
4 w# w. d. P. ~mu = mean(dataTrain,'ALL');
& {8 N# G0 s7 ~6 k, e: c  i
sig = std(dataTrain,0,'ALL');

dataTrainStandardized = (dataTrain - mu) / sig;

8 O* P; ?( E% \& k* {& m& d1 qXTrain = dataTrainStandardized(1:end-1,;% 训练输入

' W) C) v, G7 i' q8 x! t3 Y  OYTrain = dataTrainStandardized(2:end,;% 训练输出
! g( M- t, }$ g1 p+ h5 W
%% define the Deeper LSTM networks

numFeatures= 1;%输入节点
* t: D  m. e& S/ E+ Q; H( K
% {. F3 z! N  D/ L; i9 gnumResponses = 1;%输出节点

. l% t, o7 A; QnumHiddenUnits = 500;%隐含层神经元节点数

  l% Y4 F* a" ~figure(1)

plot(dataTrain(1:end-1,1));hold on;
. j1 p5 v8 Q% |1 |% l8 I
' c# \3 A* ]1 I8 \& ~9 K& [) |idx = (numTimeStepsTrain)numTimeStepsTrain+numTimeStepsTest1);

6 Q( S' z8 Y% Y; Y" F" r4 _2 Jplot(idx,[(data(numTimeStepsTrain,1))' YPred1(1,],'--d');

2 B$ Z4 @5 Z7 s4 Fxlabel("时间/天")

5 w) s( n  t& R1 Jylabel("电价")
- ^6 @$ |$ u* v4 k$ ^' w" |+ V1 d
) j! v8 t5 e' @9 R3 s; _* z0 y; elegend('实际值','预测值')
) x0 h6 j) B, j+ a
  e& N0 d1 ~9 r! G4 |figure(2)
. D: K9 i0 e4 W8 G1 N7 p# z( |
+ d2 y9 [% Z! A+ q8 V' B, Osubplot(2,1,1)

" E+ g! N7 U& ]. Tplot(YTest(1,)

hold on
/ @) H/ B) Z( E$ \
plot(YPred(1,,'.-')
/ D8 m0 L1 Z3 v6 n. Q
hold off

" j( g. m3 {1 Y# r0 vlegend(["实际值" "预测值"])
9 ?3 Z9 q- G. Q
xlabel("时间/天")
! O, k9 `# N& v
( u# U& N) d$ ]ylabel("电价")

% j, Q/ V: N" L% h4 d  B6 N2 Cylim([5000 20000])

! i# H* l/ A- s" f1 W6 Ssubplot(2,1,2)

stem(YPred(1, - YTest(1,)
! N. H/ Q, N6 T" M' h2 l" ]& q/ u
, T* P* _4 H/ M9 `xlabel("时间/天")
) u. e9 e' ~" m! W: X
8 W) z' p; I9 I1 Zylabel("误差")
' T# K) Y0 r: j3 U6 G% @2 f- ?4 a! }
2 ^$ J; C1 P8 w+ ^% P# _) Jtitle("误差百分数 = " + error)

3 运行结果


8 O( O2 l5 v' J: R1 h' A# D

$ o8 ?  K. T. Y4 参考文献
/ w' E+ N+ o1 w/ P[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.
( F# B# Y$ V1 T+ \% Y" M7 ^
. X" W/ h5 w1 |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。
7 ~6 e0 \8 V/ ]7 z2 `8 a/ C. d部分理论引用网络文献，若有侵权联系博主删除。
3 y- k# h( ?) I' _% k' U+ T3 a: i————————————————
. l" C- [# x) V* r8 g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。
7 U! x; j5 s9 s( D原文链接：https://blog.csdn.net/matlab_dingdang/article/details/126754796
3 p) ]3 ^5 ]( u- M( M  z) g

0 k; z$ u; H$ D# \/ A8 T