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;

data=xlsread('西班牙电价.csv');

data1=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 

%训练数据标准化处理 

mu = mean(dataTrain,'ALL');

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

dataTrainStandardized = (dataTrain - mu) / sig;

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

numResponses = 1;%输出节点

numHiddenUnits = 500;%隐含层神经元节点数 

figure(1)

plot(dataTrain(1:end-1,1));hold on;

idx = (numTimeStepsTrain):(numTimeStepsTrain+numTimeStepsTest1);

plot(idx,[(data(numTimeStepsTrain,1))' YPred1(1,:)],'--d');

xlabel("时间/天")

ylabel("电价")

legend('实际值','预测值')

figure(2)

subplot(2,1,1)

plot(YTest(1,:))

hold on

plot(YPred(1,:),'.-')

hold off

legend(["实际值" "预测值"])

xlabel("时间/天")

ylabel("电价")

ylim([5000 20000])

subplot(2,1,2)

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

xlabel("时间/天")

ylabel("误差")

title("误差百分数 = " + error)

3 运行结果

【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_数据

【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_数据_024 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.

部分理论引用网络文献，若有侵权联系博主删除。