python历史 用量 预测_Python中利用长短期记忆模型LSTM进行时间序列预测分析 - 预测电力负荷数据...

原文链接：http://tecdat.cn/?p=6663

此示例中，神经网络用于使用2011年4月至2013年2月期间的数据预测公民办公室的电力消耗。

每日数据是通过总计每天提供的15分钟间隔的消耗量来创建的。

LSTM简介

LSTM(或长短期记忆人工神经网络)允许分析具有长期依赖性的有序数据。当涉及到这项任务时，传统的神经网络体现出不足，在这方面，LSTM将用于预测这种情况下的电力消耗模式。

与ARIMA等模型相比，LSTM的一个特殊优势是数据不一定需要是稳定的(常数均值，方差和自相关)，以便LSTM对其进行分析。

自相关图，Dickey-Fuller测试和对数变换

为了确定我们的模型中是否存在平稳性：

生成自相关和偏自相关图进行Dickey-Fuller测试对时间序列进行对数变换，并再次运行上述两个过程，以确定平稳性的变化(如果有的话)

首先，这是时间序列图：

据观察，波动性(或消费从一天到下一天的变化)非常高。在这方面，对数变换可以用于尝试稍微平滑该数据。在此之前，生成ACF和PACF图，并进行Dickey-Fuller测试。

自相关图

偏自相关图

自相关和偏自相关图都表现出显着的波动性，这意味着时间序列中的几个区间存在相关性。

运行Dickey-Fuller测试时，会产生以下结果：

当p值高于0.05时，不能拒绝非平稳性的零假设。

STD1

954.7248

4043.4302

0.23611754

变异系数(或平均值除以标