【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
  J" I+ p! S! I! f) H& q' ?  R: p* e0 Q​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 o1 R% Y( d, x9 y6 |  I2 部分代码
clear, clc, close all;

data=xlsread('西班牙电价.csv');
3 h/ K- y1 K! n0 e/ c, K
data1=data;

numTimeStepsTrain = floor(89);%89数据训练 ，3个用来验证
7 c/ H/ q7 v8 O- Z, p; _
dataTrain = data(1:numTimeStepsTrain+1,;% 训练样本

dataTest = data(numTimeStepsTrain:end,; %测试样本
  u4 \, L( _* N1 V
% ]$ B3 {4 G1 k1 O8 @%训练数据标准化处理
6 Y6 y5 q) Q- u2 [$ [
mu = mean(dataTrain,'ALL');

. T2 j' O, J* m% \2 b% \) I. msig = std(dataTrain,0,'ALL');

8 X8 l- K6 s" p) _" h' BdataTrainStandardized = (dataTrain - mu) / sig;
( y2 e. B8 N. M% b& B
  p1 v/ M/ U6 B: q4 b, U* {XTrain = dataTrainStandardized(1:end-1,;% 训练输入

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

! u3 |" A1 L2 v, r%% define the Deeper LSTM networks

numFeatures= 1;%输入节点
, D$ W9 }5 f# S4 X, Z3 [! h
& x6 B: H6 w, ]8 D+ gnumResponses = 1;%输出节点
' p+ K% e% p  P) ?$ f
numHiddenUnits = 500;%隐含层神经元节点数

4 u! ^$ u# ]$ L% s& o- P! Bfigure(1)
; _" J$ H& E% D2 b6 ?4 Q! i% K; O
+ s& W% p5 j9 x6 pplot(dataTrain(1:end-1,1));hold on;
* k% }/ ]- `6 L0 ^/ l
idx = (numTimeStepsTrain)numTimeStepsTrain+numTimeStepsTest1);

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

1 ^! i" e: P4 C# p4 G9 g1 H$ ?xlabel("时间/天")
; J) [$ G- Y" x
' M6 `; @) ?( z( Eylabel("电价")

) w% h1 d& A$ c7 alegend('实际值','预测值')

figure(2)
, x* U; Y1 E) E" `: P7 k8 s
subplot(2,1,1)

1 U# `; _( {  E, p5 r, x3 B; Bplot(YTest(1,)

- r& ]- S6 u0 C0 H& s3 phold on

. t" R9 R) N( g, O) g1 i( x! Hplot(YPred(1,,'.-')

hold off
& Y( X7 G$ ?) h, W5 a8 a% S
legend(["实际值" "预测值"])

* [& U% x; H7 u. i& bxlabel("时间/天")
* u9 m% Z- R% F" K& b9 G" k+ C
ylabel("电价")
; p# W2 I7 e6 f; u
ylim([5000 20000])
/ T" X3 p0 Y/ W5 B2 |2 n* o. z6 a6 _
subplot(2,1,2)

: g3 \' B0 U+ Y1 _; x7 U, H; Hstem(YPred(1, - YTest(1,)

xlabel("时间/天")
" B3 K+ |7 u- R  J3 u
ylabel("误差")
( d) r0 B) \$ ]$ t0 p8 M/ Z
title("误差百分数 = " + error)

4 _5 B7 `- j# W# e( ]; @& M3 运行结果
5 _& ]3 v' h" f
7 e/ O' N6 T6 y7 ?9 Y3 j% Z) S. f
- a4 P# l# F9 j* n" f  \: ~

  j- j4 E$ V- s3 l1 C: Q4 参考文献
3 t' p) p( Z* e, F) C[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.

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。
$ b' ^" ]$ G( G+ `4 y" E, a————————————————
7 t, \# |, K7 K9 n) p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 V5 @' I+ x& N原文链接：https://blog.csdn.net/matlab_dingdang/article/details/126754796

# |. r# j$ m2 T* h4 ^
1 w4 l+ y: o5 u