【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
$ l1 D( O3 H' F8 U" S
1 内容介绍
. @7 k, A; }# ~) z) |​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 K8 C6 Y5 I2 部分代码
clear, clc, close all;

0 y, O% m1 z# @6 kdata=xlsread('西班牙电价.csv');
: k- {! M3 X, B7 B1 W; N/ C
data1=data;
6 a! x9 _* j0 x' {  S- d" ~6 I, O6 @
0 g# G. v$ Q  p* N& NnumTimeStepsTrain = floor(89);%89数据训练 ，3个用来验证
7 Y* {0 p+ A" C$ C5 ]- i
) a$ O/ ?  c- a9 WdataTrain = data(1:numTimeStepsTrain+1,;% 训练样本

dataTest = data(numTimeStepsTrain:end,; %测试样本
. H" M, t* c) e7 p( X; U7 T' ~; X
%训练数据标准化处理
. I+ C7 b, Q1 m" Z0 b
% ~/ s0 |- S* l: Omu = mean(dataTrain,'ALL');

, k0 S# |2 z* c7 ~' esig = std(dataTrain,0,'ALL');

dataTrainStandardized = (dataTrain - mu) / sig;

XTrain = dataTrainStandardized(1:end-1,;% 训练输入

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

%% define the Deeper LSTM networks

numFeatures= 1;%输入节点

numResponses = 1;%输出节点
( M- o: k1 h1 D3 O3 y
+ n1 i1 z/ {5 \7 b; ^numHiddenUnits = 500;%隐含层神经元节点数

figure(1)
. c: i! O6 @* T6 \) ?# h
plot(dataTrain(1:end-1,1));hold on;

) ^3 K* ]. n$ d1 ~idx = (numTimeStepsTrain)numTimeStepsTrain+numTimeStepsTest1);

# d: \6 O9 [% t  K/ i8 ~plot(idx,[(data(numTimeStepsTrain,1))' YPred1(1,],'--d');

1 `4 @0 ]6 w( N, K8 x( q  w. l- `xlabel("时间/天")

/ }# h  C9 q) u% Q% U/ cylabel("电价")
" t. f* z# a2 M/ c8 A) b
" `. G" k9 m1 Olegend('实际值','预测值')

figure(2)
. \: s5 x1 H5 {; A1 N/ o
+ s% H* h- N0 b; R4 e1 Esubplot(2,1,1)
0 c1 r  `) \! U4 `- x
$ E9 F, O4 S+ e% d. ?& `2 T4 rplot(YTest(1,)
' x1 g* u6 H# ?/ L0 s* {
4 e" M& J1 f$ L2 hhold on
& b1 z6 c6 t6 _
. N9 L8 a' v  Wplot(YPred(1,,'.-')

hold off
6 j8 z9 {# n. w2 U0 z0 z% R  q
legend(["实际值" "预测值"])

xlabel("时间/天")

ylabel("电价")

. f* r8 D; _' E7 \- J/ v/ xylim([5000 20000])
5 Z% {" T0 D5 X1 u# m
subplot(2,1,2)
! B/ q6 E9 n; S1 e
# ]8 @8 L. I+ Mstem(YPred(1, - YTest(1,)

# V# r) h, U9 s' \5 w8 f: axlabel("时间/天")
, Q# k4 f1 ^! @1 g- l
4 d: |) `9 I* Pylabel("误差")
8 k& d* g) }, ^% c
title("误差百分数 = " + error)

3 运行结果


( j: V& @/ z" B! w: {* c

7 w% K" B4 u" o2 b+ z+ _  x4 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.

; o. ~3 n  ]0 Q" {, r. h/ z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。
& d' S2 O6 @/ w: L# _: F: s3 `- G部分理论引用网络文献，若有侵权联系博主删除。
- i- F" l) o- S1 `6 N  W8 M————————————————
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。
* _; w' F3 F* L9 o7 [原文链接：https://blog.csdn.net/matlab_dingdang/article/details/126754796
$ J/ W& [; x. d& m0 m0 h# o

: s" n# w9 j# X