【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
% a* S5 ?3 O) ?! L; Y% p
1 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。

2 部分代码
clear, clc, close all;
% B' E: g) C) ^8 u1 T
data=xlsread('西班牙电价.csv');

data1=data;
. b+ }* ~6 @: H4 u& G5 Y: H- y
numTimeStepsTrain = floor(89);%89数据训练 ，3个用来验证

dataTrain = data(1:numTimeStepsTrain+1,;% 训练样本
& x0 v0 c+ X8 @  g
3 M  X5 n7 m9 x3 g& S; NdataTest = data(numTimeStepsTrain:end,; %测试样本

2 n- `: T+ l+ e+ a+ s%训练数据标准化处理

  S# Z4 N3 S) I# I0 ?7 y9 W% lmu = mean(dataTrain,'ALL');

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

dataTrainStandardized = (dataTrain - mu) / sig;
5 K4 B0 W- U% J5 d0 s
. M! `0 |9 b$ L0 [$ }6 ?" K  F8 |XTrain = dataTrainStandardized(1:end-1,;% 训练输入

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

%% define the Deeper LSTM networks

numFeatures= 1;%输入节点
! U& U0 U$ E  I3 x5 G7 c5 S
numResponses = 1;%输出节点
0 z( m7 ~. b4 @7 \7 ~4 |
numHiddenUnits = 500;%隐含层神经元节点数
/ i: i1 e& ^" H: J! U8 A: x6 T
figure(1)

' o( m+ w5 ?& L3 D$ @" lplot(dataTrain(1:end-1,1));hold on;
% V3 ?; y# f+ W' @, }! f7 h0 s
idx = (numTimeStepsTrain)numTimeStepsTrain+numTimeStepsTest1);

: G5 ]/ r3 m) H$ C$ ^" {plot(idx,[(data(numTimeStepsTrain,1))' YPred1(1,],'--d');
. M' J. Q0 j" D; b* R' a: U
xlabel("时间/天")

# Y. I0 V% z. r+ ]; a0 p! P) _ylabel("电价")
: Z9 f2 o, Y' S
legend('实际值','预测值')
: j. z  `! g$ ]) K5 ^9 J* R
9 K- r. }* d5 ]figure(2)
; m; I% A& a+ [' q
6 P% A0 }/ ~6 t- K9 H3 P- L  M5 rsubplot(2,1,1)

plot(YTest(1,)
/ }5 g4 `( g  m  G- j7 B4 V. ^8 R. f
. N  V$ o/ \$ J! w) thold on
1 |/ F. Q' J( c, v- Y! ]/ ^8 y
( {8 |/ M) l6 P% D- ^/ M$ P  nplot(YPred(1,,'.-')
$ m) ~* Q7 m7 b9 |* j6 L
hold off
; E/ R5 ?0 |3 q- [
legend(["实际值" "预测值"])

xlabel("时间/天")

0 I8 m; O# k" H1 p" [ylabel("电价")

5 s9 v4 X6 e5 S" F% }ylim([5000 20000])
: I* r7 q- v" Y' J% J, C
2 K+ z; w/ _. T8 I  psubplot(2,1,2)

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

xlabel("时间/天")

6 Y8 J3 R9 B+ N4 e- u: J5 k4 ]ylabel("误差")
8 l5 A, A2 V" Z- V- E: R; P1 T# l
title("误差百分数 = " + error)

3 运行结果
: H2 L& V2 v( Q: Z" o
0 g: Z$ d; L# |9 d
" l4 e+ a1 @# }: n. H" z1 \
) e5 J8 \% w* `2 i
) y& t  ?: z. V9 [6 w2 j2 x0 }4 参考文献
, w' X5 C+ n7 S& b[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.
, b- f/ z' R: U
* n3 H: _6 ?0 z$ S' {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。
) F: _6 L0 I; }! I; ^部分理论引用网络文献，若有侵权联系博主删除。
————————————————
# p5 b: M- r$ L* ~) g/ B/ b. `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。
$ u* e8 l' Y& Y' _) n原文链接：https://blog.csdn.net/matlab_dingdang/article/details/126754796
4 {. z9 D$ M) ]0 f; E( u
3 i7 M# e) r& E& H; E. i7 v3 I; ^6 T6 U