基于 MATLAB 的实战训练：长短期记忆网络（LSTM）模型来进行序列预测任务

最新推荐文章于 2025-03-14 15:09:08 发布

小蘑菇二号

最新推荐文章于 2025-03-14 15:09:08 发布

阅读量887

点赞数 8

文章标签：机器学习 python 深度学习

本文链接：https://blog.csdn.net/MHD0815/article/details/143825758

版权

基于 MATLAB 的大模型实例，我们将使用一个复杂的长短期记忆网络（LSTM）模型来进行序列预测任务。这个模型将用于预测股票价格的时间序列数据。

步骤概述

加载数据集
数据预处理
定义网络结构
设置训练选项
训练模型
测试模型

详细步骤

1. 加载数据集

我们将使用一个包含股票价格的时间序列数据集。假设数据集存储在一个 CSV 文件中，名为 stock_prices.csv。

Matlab

深色版本

% 加载数据集
data = readtable('stock_prices.csv');
prices = data.Price;
dates = data.Date;

2. 数据预处理

对数据进行预处理，包括划分训练集和测试集、标准化数据等。

Matlab

深色版本

% 划分训练集和测试集
numTimeStepsTrain = floor(0.9 * height(data));
dataTrain = prices(1:numTimeStepsTrain);
dataTest = prices(numTimeStepsTrain+1:end);

% 标准化数据
mu = mean(dataTrain);
sigma = std(dataTrain);
dataTrainStandardized = (dataTrain - mu) / sigma;
dataTestStandardized = (dataTest - mu) / sigma;

% 创建序列数据
sequenceLength = 20;
XTrain = [];
YTrain = [];
for i = 1:(numTimeStepsTrain - sequenceLength)
    XTrain = cat(3, XTrain, dataTrainStandardized(i:i+sequenceLength-1)');
    YTrain = cat(1, YTrain, dataTrainStandardized(i+sequenceLength));
end

XTest = [];
YTest = [];
for i = 1:(height(dataTest) - sequenceLength)
    XTest = cat(3, XTest, dataTestStandardized(i:i+sequenceLength-1)');
    YTest = cat(1, YTest, dataTestStandardized(i+sequenceLength));
end

3. 定义网络结构

接下来，我们定义一个复杂的 LSTM 网络结构。

Matlab

深色版本

% 定义网络结构
inputSize = 1; % 输入特征数
numHiddenUnits = 256; % LSTM 层的隐藏单元数
numResponses = 1; % 输出特征数

layers = [
    sequenceInputLayer(inputSize)
    lstmLayer(numHiddenUnits, 'OutputMode', 'last')
    fullyConnectedLayer(numResponses)
    regressionLayer
];

4. 设置训练选项

定义训练选项，包括最大迭代次数、批量大小、初始学习率等。

Matlab

深色版本

options = trainingOptions('adam', ...
    'MaxEpochs', 50, ...
    'MiniBatchSize', 64, ...
    'InitialLearnRate', 0.001, ...
    'GradientThreshold', 1, ...
    'Verbose', false, ...
    'Plots', 'training-progress');

5. 训练模型

使用 trainNetwork 函数训练模型。

Matlab

深色版本

% 训练模型
net = trainNetwork(XTrain, YTrain, layers, options);

6. 测试模型

加载测试数据并评估模型的性能。

Matlab

深色版本

% 进行预测
YPred = predict(net, XTest, 'MiniBatchSize', 64);

% 反标准化预测结果
YPred = YPred * sigma + mu;
YTest = YTest * sigma + mu;

% 计算均方误差
mse = mean((YPred - YTest).^2);
disp(['Mean Squared Error: ', num2str(mse)]);

% 绘制结果
figure;
plot(dates(1:numTimeStepsTrain), dataTrain, 'b', 'DisplayName', 'Training Data');
hold on;
plot(dates(numTimeStepsTrain+1:end), dataTest, 'r', 'DisplayName', 'Test Data');
plot(dates(numTimeStepsTrain+1:end), YPred, 'g--', 'DisplayName', 'Predicted Data');
legend show;
xlabel('Date');
ylabel('Price');
title('Stock Price Prediction');

完整代码

将上述代码段组合在一起，形成一个完整的 MATLAB 脚本：

Matlab

深色版本

% 加载数据集
data = readtable('stock_prices.csv');
prices = data.Price;
dates = data.Date;

% 划分训练集和测试集
numTimeStepsTrain = floor(0.9 * height(data));
dataTrain = prices(1:numTimeStepsTrain);
dataTest = prices(numTimeStepsTrain+1:end);

% 标准化数据
mu = mean(dataTrain);
sigma = std(dataTrain);
dataTrainStandardized = (dataTrain - mu) / sigma;
dataTestStandardized = (dataTest - mu) / sigma;

% 创建序列数据
sequenceLength = 20;
XTrain = [];
YTrain = [];
for i = 1:(numTimeStepsTrain - sequenceLength)
    XTrain = cat(3, XTrain, dataTrainStandardized(i:i+sequenceLength-1)');
    YTrain = cat(1, YTrain, dataTrainStandardized(i+sequenceLength));
end

XTest = [];
YTest = [];
for i = 1:(height(dataTest) - sequenceLength)
    XTest = cat(3, XTest, dataTestStandardized(i:i+sequenceLength-1)');
    YTest = cat(1, YTest, dataTestStandardized(i+sequenceLength));
end

% 定义网络结构
inputSize = 1; % 输入特征数
numHiddenUnits = 256; % LSTM 层的隐藏单元数
numResponses = 1; % 输出特征数

layers = [
    sequenceInputLayer(inputSize)
    lstmLayer(numHiddenUnits, 'OutputMode', 'last')
    fullyConnectedLayer(numResponses)
    regressionLayer
];

% 设置训练选项
options = trainingOptions('adam', ...
    'MaxEpochs', 50, ...
    'MiniBatchSize', 64, ...
    'InitialLearnRate', 0.001, ...
    'GradientThreshold', 1, ...
    'Verbose', false, ...
    'Plots', 'training-progress');

% 训练模型
net = trainNetwork(XTrain, YTrain, layers, options);

% 进行预测
YPred = predict(net, XTest, 'MiniBatchSize', 64);

% 反标准化预测结果
YPred = YPred * sigma + mu;
YTest = YTest * sigma + mu;

% 计算均方误差
mse = mean((YPred - YTest).^2);
disp(['Mean Squared Error: ', num2str(mse)]);

% 绘制结果
figure;
plot(dates(1:numTimeStepsTrain), dataTrain, 'b', 'DisplayName', 'Training Data');
hold on;
plot(dates(numTimeStepsTrain+1:end), dataTest, 'r', 'DisplayName', 'Test Data');
plot(dates(numTimeStepsTrain+1:end), YPred, 'g--', 'DisplayName', 'Predicted Data');
legend show;
xlabel('Date');
ylabel('Price');
title('Stock Price Prediction');

数据集准备

假设你的 stock_prices.csv 文件内容如下：

深色版本

Date,Price
2023-01-01,100.5
2023-01-02,101.0
2023-01-03,101.5
2023-01-04,102.0
2023-01-05,102.5
...

运行代码

将上述代码保存为一个 .m 文件（例如 lstm_large_model_example.m），然后在 MATLAB 中运行该文件。MATLAB 将加载数据集，训练模型，并评估模型在测试数据上的性能。

结果解释

训练进度图：MATLAB 会在训练过程中绘制训练进度图，显示训练损失和验证损失的变化。
均方误差：训练完成后，代码会输出模型在测试数据上的均方误差（MSE）。
预测结果图：绘制训练数据、测试数据和预测数据的对比图，帮助你直观地评估模型的性能。

通过这个示例，你可以了解如何在 MATLAB 中构建和训练一个复杂的长短期记忆网络（LSTM）模型