【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 _% E/ r' v( t/ A
  _) p6 T: j' X' W4 F1 内容介绍
; K+ C) O) _, U+ o6 `+ ~​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。
* {  ^8 c$ k) W' {9 y7 R; e  p; P
) l/ k: Y6 v5 F7 U- C2 部分代码
3 Q& q$ ~! N; R6 B2 w. c( [  ^0 w" D" rclear, clc, close all;
5 K- M- J: Q1 c# {
* i  _) {2 T2 @4 fdata=xlsread('西班牙电价.csv');
  c! S$ c& i( s2 G4 k* M
data1=data;
. o8 i: g/ |0 h3 O9 N! D+ t
numTimeStepsTrain = floor(89);%89数据训练 ，3个用来验证

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

dataTest = data(numTimeStepsTrain:end,; %测试样本
; H! f- c' [0 H3 j6 D
%训练数据标准化处理
8 D* I4 o: G  d6 c/ Q3 `
, A; F4 N- v' N% omu = mean(dataTrain,'ALL');
* a" h) n0 n7 F* R
$ c) D! T' F' i" y  a& Csig = std(dataTrain,0,'ALL');
+ E+ [, P5 P$ p+ |! h/ R
dataTrainStandardized = (dataTrain - mu) / sig;
4 y/ ?* T  \' {7 Y/ T# v
+ Z2 A/ \: U# JXTrain = dataTrainStandardized(1:end-1,;% 训练输入
1 h. b/ w* u* d, p$ V/ G2 `; ]9 |
; d, M9 P- ?( ?2 {8 DYTrain = dataTrainStandardized(2:end,;% 训练输出
3 c: A  g$ e, U- n: f
9 n( T0 ?: L" ?8 o7 y%% define the Deeper LSTM networks

numFeatures= 1;%输入节点
9 H5 Y/ y$ V& T  w
numResponses = 1;%输出节点
$ h1 W; \/ R9 y" k
& I! C; ?- b3 c' O3 T6 H* S* VnumHiddenUnits = 500;%隐含层神经元节点数

4 B, m1 {6 R3 a6 t& L" F/ t9 Lfigure(1)
  h3 d8 K% ]/ n1 F
plot(dataTrain(1:end-1,1));hold on;
8 Z6 @! G, X6 d
9 Y! g" A# k7 }' @& [1 I! N( ?! fidx = (numTimeStepsTrain)numTimeStepsTrain+numTimeStepsTest1);

plot(idx,[(data(numTimeStepsTrain,1))' YPred1(1,],'--d');
; @! k: y. M2 k& ]; h
xlabel("时间/天")

ylabel("电价")

/ x5 Y7 z; i" @' Y( Xlegend('实际值','预测值')

! `! B, l* I4 T5 Afigure(2)

subplot(2,1,1)
8 ]  ^! ?9 Q) f9 A! k( I$ Q
2 m- V1 b; Q: |! W* Gplot(YTest(1,)
8 ?2 I/ T0 o. N0 V/ i7 t5 {# v
hold on

plot(YPred(1,,'.-')
6 s" [( G- W8 d
! n1 w9 ]- ^# ?, S4 O# Yhold off
) @' {9 n5 b3 l: h# e! \5 Y" @
legend(["实际值" "预测值"])

. r  @& w# O5 axlabel("时间/天")
( J% j+ ?! C0 H5 ~. X
- O$ g/ l8 U' R: M* T% dylabel("电价")

( `8 r1 d7 J" n0 L- X. N% A; G+ lylim([5000 20000])
" l; O) Q- g3 @# ?( f
+ |( b8 p" H1 J0 N/ [" b5 ~+ Isubplot(2,1,2)

  w- y: g; J* d2 y, i$ f) P* R- Bstem(YPred(1, - YTest(1,)
1 o: s7 C. {1 X& J7 l! t8 y# O& o
: {5 t2 x5 t/ j1 j' d  G: kxlabel("时间/天")
; f0 ]1 P8 C! c
( L, R1 t2 G1 U9 h9 n# d$ iylabel("误差")

title("误差百分数 = " + error)
) C- E" I6 W  O& w5 x  P
3 运行结果


# B2 a; w/ k& F
. X2 Y& R# y, Y
" F9 d3 z" d) A2 L4 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.
6 O( @& Y" ]. D" R7 {
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。
/ A" J; S& J% D' V$ }1 e部分理论引用网络文献，若有侵权联系博主删除。
————————————————
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。
- f! `/ ~9 n) e; S) X, Z) q原文链接：https://blog.csdn.net/matlab_dingdang/article/details/126754796
: p/ T) ]1 |5 x

9 ]6 t: N. @+ V& I& U4 o