ARIMA-LSTM混合模型构建与时间序列预测【matlab代码】

最新推荐文章于 2025-04-01 14:30:31 发布

坷拉博士

最新推荐文章于 2025-04-01 14:30:31 发布

阅读量1.8k

点赞数 11

文章标签： lstm 人工智能 rnn

本文链接：https://blog.csdn.net/checkpaper/article/details/142136678

版权

✅博主简介：本人擅长数据处理、建模仿真、程序设计、论文写作与指导，项目与课题经验交流。项目合作可私信或扫描文章底部二维码。

在单变量时间序列预测中，ARIMA和LSTM模型具有各自的优势：ARIMA模型能够较好地处理时间序列中的线性部分，尤其是在处理长期趋势时表现较佳；而LSTM（长短期记忆网络）模型则擅长捕捉序列中的非线性依赖关系。为此，本文构建了一种ARIMA-LSTM组合模型，利用ARIMA模型预测时间序列中的长期线性趋势，利用LSTM模型拟合非线性部分，从而实现对时间序列的全面预测。

1. ARIMA-LSTM模型概述

ARIMA模型通过对序列的平稳化处理（包括差分、移动平均等），能够有效捕捉数据的线性趋势。然而，单独使用ARIMA模型在处理含有复杂非线性动态的时间序列时，效果有限。LSTM模型利用其记忆单元和门控机制，能够捕捉时间序列中的长期依赖和非线性特征。因此，ARIMA-LSTM混合模型的设计思路是：

使用ARIMA模型对时间序列中的线性趋势进行预测；
将ARIMA的残差部分作为LSTM模型的输入，进行非线性特征的拟合；
将两者的预测结果进行加权组合，得到最终的预测结果。

% 数据加载
data = load('time_series_data.mat');  % 假设数据已存储在MAT文件中
time_series = data.series;  % 获取时间序列

% 数据预处理：划分训练集和测试集
train_size = floor(0.8 * length(time_series));  % 80%数据用于训练
train_data = time_series(1:train_size);
test_data = time_series(train_size+1:end);

%% 1. ARIMA模型拟合与预测
% ARIMA模型拟合（假设ARIMA(2,1,2)）
model = arima(2,1,2);
arima_fit = estimate(model, train_data);

% 使用ARIMA模型进行预测
arima_pred = forecast(arima_fit, length(test_data));

% 计算ARIMA的残差
arima_residuals = train_data - infer(arima_fit, train_data);

%% 2. LSTM模型训练与预测
% LSTM输入数据的准备（使用ARIMA残差进行训练）
sequence_input = arima_residuals;

% 归一化处理
mu = mean(sequence_input);
sigma = std(sequence_input);
sequence_input = (sequence_input - mu) / sigma;

% 将序列转换为LSTM格式（输入为特征，输出为下一时间点的残差）
XTrain = sequence_input(1:end-1)';
YTrain = sequence_input(2:end)';

% 定义LSTM网络结构
layers = [ ...
    sequenceInputLayer(1)
    lstmLayer(50, 'OutputMode', 'sequence')
    fullyConnectedLayer(1)
    regressionLayer];

% 训练选项
options = trainingOptions('adam', ...
    'MaxEpochs', 250, ...
    'InitialLearnRate', 0.005, ...
    'MiniBatchSize', 20, ...
    'Plots', 'training-progress', ...
    'Verbose', 0);

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

% LSTM预测（使用ARIMA预测的残差）
XTest = (test_data - arima_pred - mu) / sigma;  % 使用ARIMA预测残差作为LSTM输入
lstm_pred = predict(net, XTest');

% 反归一化LSTM预测结果
lstm_pred = lstm_pred * sigma + mu;

%% 3. ARIMA-LSTM混合模型预测结果
% 组合ARIMA和LSTM的预测结果
final_pred = arima_pred + lstm_pred';

% 计算预测误差
mae = mean(abs(final_pred - test_data));
rmse = sqrt(mean((final_pred - test_data).^2));

% 显示预测结果
figure;
plot(1:length(test_data), test_data, 'b', 'DisplayName', '真实数据');
hold on;
plot(1:length(test_data), final_pred, 'r--', 'DisplayName', 'ARIMA-LSTM预测');
title('ARIMA-LSTM时间序列预测');
legend;
xlabel('时间');
ylabel('值');

3. 代码说明

ARIMA模型部分：通过Matlab内置的ARIMA工具箱，首先对训练数据进行ARIMA模型拟合，然后利用拟合后的模型对测试集进行预测，获取其长期线性趋势。
LSTM模型部分：通过对ARIMA残差进行LSTM训练，以捕捉时间序列中的非线性特征。这里LSTM模型的输入是ARIMA残差，而输出是下一时刻的预测残差。
组合预测：ARIMA模型用于捕捉线性趋势，LSTM用于拟合残差中的非线性部分。最终的预测结果为两者的加权组合。