【LSTM时序预测】基于卷积神经网络结合长短时记忆CNN-LSTM实现时序数据预测附matlab代码

✅作者简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，matlab项目合作可私信。

🍎个人主页：Matlab科研工作室

🍊个人信条：格物致知。

更多Matlab仿真内容点击👇

智能优化算法  神经网络预测 雷达通信  无线传感器

信号处理 图像处理 路径规划 元胞自动机 无人机  电力系统

⛄ 内容介绍

随着高速铁路动车组运行速度的不断提高，大风对高速列车运行造成的影响开始被人们所重视。高速列车在行驶过程中极易受到强风的影响，从而产生较大的俯仰力矩，造成行车事故。在地理位置或环境特殊的路段，车体周围风场发生变化，导致气动力显著改变，增加了列车脱轨、倾覆的可能性。因此，对于高速铁路线路周边大风天气的预测有着重要的意义。　　本文研究了高速铁路线路风速风向短时局地预测方法，搭建风速风向超前预测模型，使用由WindLog风速风向传感器获得的数据对于模型进行训练，并进行风速风向超前1min、5min、10min的超短期预测。　　为了实现风速风向超前预测，构建了基于LSTM长短时记忆网络的预测模型，对数据进行预处理，设置合理的学习步长，建立双层LSTM网络结构，获取历史步长内的数据特征，进行超前预测。以单变量与双变量为数据输入，比较LSTM模型预测性能的优劣。　　对风速超前预测模型进行优化，基于CNN卷积神经网络搭建预测模型，叠加多个CNN卷积模块，提取深层的风速数据特征。结合LSTM长短时记忆网络与CNN卷积神经网络，构建双层LSTM与双层CNN卷积层相叠加的预测模型，LSTM学习数据的时序特征，CNN学习数据的局部深层特征，用改进的优化模型进行风速预测。

⛄ 部分代码

function Positions = initialization(SearchAgents_no, dim, ub, lb)

%%  初始化

%%  待优化参数个数

Boundary_no = size(ub, 2); 

%%  若待优化参数个数为1

if Boundary_no == 1

    Positions = rand(SearchAgents_no, dim) .* (ub - lb) + lb;

end

%%  如果存在多个输入边界个数

if Boundary_no > 1

    for i = 1 : dim

        ub_i = ub(i);

        lb_i = lb(i);

        Positions(:, i) = rand(SearchAgents_no, 1) .* (ub_i - lb_i) + lb_i;

    end

end

⛄ 运行结果

⛄ 参考文献

[1]魏昱洲. 高铁线路风速风向短时局地预测方法研究[D]. 北京交通大学, 2019.

⛄ 完整代码

❤️部分理论引用网络文献，若有侵权联系博主删除

❤️ 关注我领取海量matlab电子书和数学建模资料