【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
5 L) g, D$ s  K9 H
+ G( R' \  s3 w1 内容介绍
​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。

# H* k; _  `" J* f: M, J2 部分代码
; F! k3 D# [7 j" oclear, clc, close all;
' z+ W8 ?/ U! Z6 j2 `# L* W# k. |7 ?
: @0 y9 m* D3 M& M# q# h( Cdata=xlsread('西班牙电价.csv');

1 U- }7 K  g0 w9 zdata1=data;
5 u" e( B- V7 c/ n
numTimeStepsTrain = floor(89);%89数据训练 ，3个用来验证
# m" z1 z" x# G" p' x3 a4 @
. G# g+ K; b, [* ^! D5 ndataTrain = data(1:numTimeStepsTrain+1,;% 训练样本

dataTest = data(numTimeStepsTrain:end,; %测试样本
; a  w# K; h" v. G2 P
%训练数据标准化处理
* K# L" W# T+ R2 C) T
3 d7 P, z. \6 e# C: m, Z' `- F, c1 Mmu = mean(dataTrain,'ALL');

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

dataTrainStandardized = (dataTrain - mu) / sig;

XTrain = dataTrainStandardized(1:end-1,;% 训练输入
, n# e- ^$ ]$ T. p+ x; V8 Q
YTrain = dataTrainStandardized(2:end,;% 训练输出
) O, q  Z+ M- I* k$ }
; h* w. Y+ E. j4 D% H3 H%% define the Deeper LSTM networks
) s& Z5 F- O& ^
numFeatures= 1;%输入节点

  H# }1 O1 J0 r# {$ ~1 X8 D6 vnumResponses = 1;%输出节点
$ l& K1 A, R8 ?9 C6 }
8 W; ]% C7 h9 h4 G6 WnumHiddenUnits = 500;%隐含层神经元节点数

/ ~, g4 c5 U7 l% `! u9 Gfigure(1)

4 O6 h2 H' k# j; x1 m, iplot(dataTrain(1:end-1,1));hold on;

( T* r' Z9 ]9 `idx = (numTimeStepsTrain)numTimeStepsTrain+numTimeStepsTest1);

$ e' s. P, q& tplot(idx,[(data(numTimeStepsTrain,1))' YPred1(1,],'--d');

xlabel("时间/天")

9 }2 `* [$ C$ J2 vylabel("电价")
+ B) @# Y6 U8 P8 H2 b2 e9 S1 w' L
legend('实际值','预测值')
3 `, i( }3 B( ^) z3 Q+ [. x$ P) m
) ]. m. I% v7 r6 _figure(2)

/ b' f1 Y3 X. x2 usubplot(2,1,1)

- C$ A& m1 P3 {0 @4 G0 c, j+ L2 }( Yplot(YTest(1,)

1 N& x; j+ l) q3 f5 s- z# p- @& Yhold on

0 J8 ^& ^: m+ r7 Qplot(YPred(1,,'.-')
3 e& ?. g, E" S" ]% r
hold off

legend(["实际值" "预测值"])
) D/ W6 b9 z, p/ s5 N- v
xlabel("时间/天")

ylabel("电价")
1 F# y3 H  o3 N8 F% Q. J+ j
ylim([5000 20000])
9 w! u( G/ m) m  U8 b. v/ s; P& X
subplot(2,1,2)

stem(YPred(1, - YTest(1,)
7 z' [4 O9 w! f% J
xlabel("时间/天")

ylabel("误差")
4 ?# e" G7 ^! w
title("误差百分数 = " + error)
2 J0 |, a7 d/ P) i
+ C) L. s6 c) k8 s3 运行结果


5 w/ Y2 F% K8 j" \% h+ a

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.
- O2 [  ], k: Y5 ^* Y, e: r
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。
————————————————
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。
3 p3 T" J+ w  a1 \4 l2 ?4 U* F原文链接：https://blog.csdn.net/matlab_dingdang/article/details/126754796
/ P7 h/ P4 O, ~: W& ]9 ~% K' h% y

. I0 B% {% w! |' p2 J% B* e