【Matlab】LSTM长短期记忆神经网络时序预测算法（附代码）

 资源下载： https://download.csdn.net/download/vvoennvv/88688439

 资源合集：https://download.csdn.net/download/vvoennvv/88700669

 目录

【Matlab】BP 神经网络时序预测算法

【Matlab】CNN卷积神经网络时序预测算法

【Matlab】ELM极限学习机时序预测算法

【Matlab】基于遗传算法优化BP神经网络 (GA-BP)的数据时序预测

【Matlab】LSTM长短期记忆神经网络时序预测算法

【Matlab】PSO-BP 基于粒子群算法优化BP神经网络的数据时序预测

【Matlab】RBF径向基神经网络时序预测算法

【Matlab】RF随机森林时序预测算法

【Matlab】SVM支持向量机时序预测算法

【Matlab】CNN-LSTM时序预测 卷积神经网络-长短期记忆神经网络组合模型

【Matlab】LSSVM最小二乘支持向量机时序预测算法

【Matlab】PLS偏最小二乘法时序预测算法

【Matlab】PSO-RF 基于粒子群算法优化RF随机森林时序预测

一，概述

        LSTM（Long Short-Term Memory）是一种常用的循环神经网络（Recurrent Neural Network，RNN）结构，由于其对于长序列数据的处理能力，被广泛应用于语音识别、自然语言处理、图像处理等领域。 LSTM 网络的主要特点是增加了一个称为“记忆单元（Memory Cell）”的结构，用于控制网络的信息流动。这个结构可以记忆信息并在需要的时候将其加入到当前的处理中，从而更好地处理长序列数据。另外，LSTM 网络还引入了三个称为“门（Gates）”的结构，包括输入门（Input Gate）、遗忘门（Forget Gate）和输出门（Output Gate），用于控制信息的输入、遗忘和输出。这些门的作用是通过一个 sigmoid 函数将输入信息映射到 0~1 之间的值，然后与记忆单元中的信息进行运算，控制信息的流动。通过这种方式，LSTM 网络可以有效的捕捉序列中的长期依赖关系，从而提高了神经网络处理序列数据的能力。

二，代码

代码中文注释非常清晰，按照示例数据修改格式，替换数据集即可运行，数据集为excel。

部分代码示例如下：

%%  清空环境变量
warning off             % 关闭报警信息
close all               % 关闭开启的图窗
clear                   % 清空变量
clc                     % 清空命令行

%%  导入数据（时间序列的单列数据）
result = xlsread('数据集.xlsx');

%%  数据分析
num_samples = length(result);  % 样本个数 
kim = 15;                      % 延时步长（kim个历史数据作为自变量）
zim =  1;                      % 跨zim个时间点进行预测

%%  划分数据集
for i = 1: num_samples - kim - zim + 1
    res(i, :) = [reshape(result(i: i + kim - 1), 1, kim), result(i + kim + zim - 1)];
end
%%  数据集分析
outdim = 1;                                  % 最后一列为输出
num_size = 0.7;                              % 训练集占数据集比例
num_train_s = round(num_size * num_samples); % 训练集样本个数
f_ = size(res, 2) - outdim;                  % 输入特征维度
% %%  划分训练集和测试集
% temp = 1: 1: 922;
% 
% P_train = res(temp(1: 700), 1: 15)';
% T_train = res(temp(1: 700), 16)';
% M = size(P_train, 2);
% 
% P_test = res(temp(701: end), 1: 15)';
% T_test = res(temp(701: end), 16)';
% N = size(P_test, 2);
%%  划分训练集和测试集
P_train = res(1: num_train_s, 1: f_)';
T_train = res(1: num_train_s, f_ + 1: end)';
M = size(P_train, 2);

P_test = res(num_train_s + 1: end, 1: f_)';
T_test = res(num_train_s + 1: end, f_ + 1: end)';
N = size(P_test, 2);

%%  数据归一化
[P_train, ps_input] = mapminmax(P_train, 0, 1);
P_test = mapminmax('apply', P_test, ps_input);

[t_train, ps_output] = mapminmax(T_train, 0, 1);
t_test = mapminmax('apply', T_test, ps_output);

%%  数据平铺
% 将数据平铺成1维数据只是一种处理方式
% 也可以平铺成2维数据，以及3维数据，需要修改对应模型结构
% 但是应该始终和输入层数据结构保持一致
P_train =  double(reshape(P_train, f_, 1, 1, M));
P_test  =  double(reshape(P_test , f_, 1, 1, N));

......

三，运行结果

   资源下载： https://download.csdn.net/download/vvoennvv/88688439