【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
! Z: E' @8 [: Q4 _: h​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。

2 部分代码
6 `5 D. X8 y' Iclear, clc, close all;

data=xlsread('西班牙电价.csv');

data1=data;

numTimeStepsTrain = floor(89);%89数据训练 ，3个用来验证

0 M) x" H5 s9 K3 u" A7 PdataTrain = data(1:numTimeStepsTrain+1,;% 训练样本

9 x! i: Z1 z% D- ldataTest = data(numTimeStepsTrain:end,; %测试样本

%训练数据标准化处理
( T6 y  `, t6 X1 `
mu = mean(dataTrain,'ALL');

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

dataTrainStandardized = (dataTrain - mu) / sig;
2 x; g  g% `* q7 S( P6 \
1 p0 T! O8 d$ T2 E7 f) YXTrain = dataTrainStandardized(1:end-1,;% 训练输入
: L4 P/ |, z' l! a; S/ W
YTrain = dataTrainStandardized(2:end,;% 训练输出
: f4 {3 j6 A# W& _% A  j% F9 @
%% define the Deeper LSTM networks

/ T; V! @% F& w+ fnumFeatures= 1;%输入节点

# R, N4 }+ V& i: r$ H' J% FnumResponses = 1;%输出节点

numHiddenUnits = 500;%隐含层神经元节点数
2 L2 T4 R( W3 L
$ ?. W& V+ L1 C$ a( M( _1 I" |0 _figure(1)

plot(dataTrain(1:end-1,1));hold on;

idx = (numTimeStepsTrain)numTimeStepsTrain+numTimeStepsTest1);

plot(idx,[(data(numTimeStepsTrain,1))' YPred1(1,],'--d');

5 g& p$ i1 m. b7 C" a0 ~xlabel("时间/天")
2 {3 L. M- U* ^3 l1 Z5 }8 S& ^
ylabel("电价")

legend('实际值','预测值')

figure(2)
" }/ {$ p7 F( \# V
subplot(2,1,1)

plot(YTest(1,)
# m' l; M9 e3 v- {
hold on
* X# p! P$ T4 E8 F2 K+ x2 l
, [( P& x8 G7 y: hplot(YPred(1,,'.-')
) w8 y& p$ P" P  n$ j$ Q+ V+ p
2 |$ v# o" ~& s: y( O, Fhold off

legend(["实际值" "预测值"])
% h1 j1 v  A4 s  W5 {8 O
, }, T% u, M" Lxlabel("时间/天")

ylabel("电价")

ylim([5000 20000])
" t& J) j: V6 F% m; ~
subplot(2,1,2)
/ O2 k" j, b* {0 [$ D$ p  b2 {
: m- Z7 F. y8 G' C; b: s8 e3 @stem(YPred(1, - YTest(1,)
9 N: q. G& z3 B& ?, H* f
  U3 m' [; z* X- H  U$ H" [+ o, yxlabel("时间/天")

ylabel("误差")
" h; I  q3 K7 @/ l/ t
& r. X# B; [5 x! ~title("误差百分数 = " + error)

3 运行结果
3 s  F3 N& o; f# l; F
. K4 e( S  l( c2 M
; _0 ]& m9 P! n% O2 s5 J! K& z9 h$ t
' _2 r& L4 h% O! c9 O9 _/ i2 d  a- V
3 o. Z, x6 M; _  D9 z5 t# n) |4 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.
4 T  J" Q2 e3 }7 }: L/ h
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。
部分理论引用网络文献，若有侵权联系博主删除。
————————————————
  ]6 b2 x- T! 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。
6 @. z% [6 S  ~. J  h0 ?原文链接：https://blog.csdn.net/matlab_dingdang/article/details/126754796

$ ~4 ~9 e; L- J' O$ N