【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

; R1 ~4 m/ P1 G) x1 内容介绍
! W0 T- U7 w) ~* F7 s; 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。
. ?5 W1 H+ a9 m- D# G& j
# i  }' J* i& k7 c/ s2 部分代码
3 w: K* }1 @# z+ M/ Y' oclear, clc, close all;
; H. o# U/ ^  d: ^% w6 B
9 q6 i, [8 b: A  b1 R3 \data=xlsread('西班牙电价.csv');

( u+ [+ A# ~7 u- rdata1=data;

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

dataTrain = data(1:numTimeStepsTrain+1,;% 训练样本

dataTest = data(numTimeStepsTrain:end,; %测试样本
; Z: y, m- Z* s$ \8 z# F
0 K7 I7 k3 |0 f%训练数据标准化处理

% t2 q4 ~! x2 dmu = mean(dataTrain,'ALL');

sig = std(dataTrain,0,'ALL');
3 }8 A6 N2 f5 A6 N1 w" G
, ?/ b2 W: w! n+ S* o/ ddataTrainStandardized = (dataTrain - mu) / sig;

XTrain = dataTrainStandardized(1:end-1,;% 训练输入
" U) C% f. A2 [( l& ~( n7 y6 D
  ]! |; ~5 b$ T# tYTrain = dataTrainStandardized(2:end,;% 训练输出

%% define the Deeper LSTM networks

numFeatures= 1;%输入节点
% f, ~8 f# R# F: w/ p( b
- _- l& T# d7 wnumResponses = 1;%输出节点

numHiddenUnits = 500;%隐含层神经元节点数
/ \4 h; E  o1 ^; X, q
figure(1)
% h; V* Y8 U, P$ E0 \8 G; ?
  I/ r5 W8 u0 i  b8 v* t- Xplot(dataTrain(1:end-1,1));hold on;
4 h, u. Z* @6 `) s) d
: m, f- }' }( d& R4 ~# V; M5 M6 j4 oidx = (numTimeStepsTrain)numTimeStepsTrain+numTimeStepsTest1);
1 I3 {2 v4 p) U3 [7 ]" \& C* E
plot(idx,[(data(numTimeStepsTrain,1))' YPred1(1,],'--d');
1 `/ y7 W$ W) Q$ M. s
xlabel("时间/天")

ylabel("电价")

! ^% L  u( k2 c' f6 `. @5 l+ l( ilegend('实际值','预测值')
0 D% ^! C; Y5 o2 B, ^( k
figure(2)
6 f8 I/ X  Z5 q) ^  ]7 G, v
subplot(2,1,1)

plot(YTest(1,)
* P, e6 I% E) U% m$ b/ T* U( `* q
hold on
6 T7 {4 t4 c1 U  x$ W, z) P
plot(YPred(1,,'.-')

hold off
! m* P5 d9 F3 Q5 k, }- Q
0 e! O) M2 k* z4 e* S, Q- klegend(["实际值" "预测值"])

xlabel("时间/天")

  r3 n' ?# }2 ]3 D6 d# `3 _ylabel("电价")
* \0 b' d7 u" ?0 I
3 B; ^; g" ^9 Wylim([5000 20000])

5 V! k) n2 B: t* isubplot(2,1,2)

8 T8 f# {2 r0 t. x0 d! g. I8 Bstem(YPred(1, - YTest(1,)

xlabel("时间/天")
& x2 V( P8 d/ t# E" Q$ d1 o; p) i
" `7 B# W& z  X/ Qylabel("误差")
# i$ }5 ^* @, L2 l
$ f" b4 \$ |  ?1 `title("误差百分数 = " + error)

3 运行结果

9 L+ e$ e( ^! |* [2 q

5 B. G; C9 Q* _9 ~
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.
( ?$ ]" E; X9 Z* _
4 {9 C" H: U( |# Y3 w" D, 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。
% @+ ^; [+ ]2 r3 z( e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。
  p! ~7 d2 n5 U5 `- Y原文链接：https://blog.csdn.net/matlab_dingdang/article/details/126754796


! w  L- R4 a+ d3 n% j7 d* A7 |/ C