【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 内容介绍
9 P' M) m1 h& i! w1 V​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。
0 ?% g8 q4 W1 `" w' b
2 部分代码
clear, clc, close all;
8 Y. J. v1 g  e% V
data=xlsread('西班牙电价.csv');

data1=data;
9 C# G% X# I; F+ J2 ~' ?' v3 L
numTimeStepsTrain = floor(89);%89数据训练 ，3个用来验证

- P" J* t- r; O# fdataTrain = data(1:numTimeStepsTrain+1,;% 训练样本
7 O8 N( _! @7 C5 p
, h1 Y- x: x! o# M* ~: W3 B. M3 ~dataTest = data(numTimeStepsTrain:end,; %测试样本

%训练数据标准化处理
- `5 D  n9 \9 O
mu = mean(dataTrain,'ALL');
: Y% J, m9 }" o- J( d
sig = std(dataTrain,0,'ALL');
! |8 m6 _5 e* l* R4 t3 {* w
8 R7 s1 q4 X  @) ?" H  a% U, BdataTrainStandardized = (dataTrain - mu) / sig;
" v9 k; H9 T; ^- L9 [1 x
XTrain = dataTrainStandardized(1:end-1,;% 训练输入

YTrain = dataTrainStandardized(2:end,;% 训练输出
8 C+ B2 X+ N7 b& H6 ?) P- u$ y
- X+ X+ v; a. z) H' Y/ d%% define the Deeper LSTM networks
0 _- H" R0 L7 S9 D: l
numFeatures= 1;%输入节点
. A0 G  V8 k. p4 Q$ j
/ s8 C- j6 R( @8 fnumResponses = 1;%输出节点

numHiddenUnits = 500;%隐含层神经元节点数

1 H4 @8 [# Y/ N9 f: Efigure(1)
& H: B9 F. U2 g, ?: k  R- K7 s
' B$ q- b6 k# M" _plot(dataTrain(1:end-1,1));hold on;
5 B+ w# `5 p- h( l
- O  b* ]( a( h# h8 N7 K, f' b, lidx = (numTimeStepsTrain)numTimeStepsTrain+numTimeStepsTest1);
8 S; F* p1 U6 B9 ?
plot(idx,[(data(numTimeStepsTrain,1))' YPred1(1,],'--d');
6 B: O* H/ i; R! k5 R' _2 ]4 s0 @
% N) {% j9 A4 Xxlabel("时间/天")

ylabel("电价")

legend('实际值','预测值')

figure(2)

  C+ A" L# e4 b, E- l8 z- Xsubplot(2,1,1)

9 |$ F% f" N* L* r) Tplot(YTest(1,)
' n" w; W" N; Q
hold on
( w8 S2 T# j4 N# f% C( s
. |. r8 M4 C9 E- v0 t$ Nplot(YPred(1,,'.-')

2 K3 B+ ~9 ^5 r) [9 R7 ihold off
; w" s5 E& z) }6 l: y9 I
) A/ E4 `& r' Wlegend(["实际值" "预测值"])
1 Y0 T4 v$ W. m$ ^
6 q+ b" S) i) J2 h0 \2 b5 mxlabel("时间/天")
# i' a8 K# u; l# t/ L! K% n! h
ylabel("电价")

% S+ u$ B; g! s1 |4 kylim([5000 20000])

subplot(2,1,2)

stem(YPred(1, - YTest(1,)

! S5 |- T: }% O. A; p! H- Exlabel("时间/天")

ylabel("误差")
* H  @! j( f+ i  Q& A
% ]6 j6 e2 O3 q7 J$ ]title("误差百分数 = " + error)
4 v) E1 s7 C& b0 J
. j! ]4 e% K$ s* o3 运行结果

& C8 Q7 z; |3 w
/ v+ N! {4 U: y
. D, D5 b9 r0 H+ e' r
6 I) n  \$ A, A# z; r, d4 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.
, T& q; Z; A* _
/ S4 y- G( d+ o% F" Z1 Y( f9 [! B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。
& R9 i4 K6 p* z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。
原文链接：https://blog.csdn.net/matlab_dingdang/article/details/126754796
  x! Z: t# ]5 N: I# N9 n' ?

# t/ G$ Y8 j7 p( N( u  _