本文使用LSTM网络分析都柏林市议会公民办公室的能源消耗数据，通过自相关图、部分自相关图和Dickey-Fuller测试验证数据稳定性，并进行对数变换降低波动性。经过LSTM模型训练，模型在训练和测试数据集上显示出低均方根误差，证明LSTM在电力消耗预测上的准确性。通过对历史数据的更多考虑，如10天和50天，测试误差显著降低。
此示例中，神经网络用于使用2011年4月至2013年2月期间的数据预测都柏林市议会公民办公室的能源消耗。
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(或长期短期存储器网络)允许分析具有长期依赖性的顺序或有序数据。当涉及到这项任务时，传统的神经网络不足，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固定的(常数均值，方差和自相关)，以便LSTM对其进行分析 - 即使这样做可能会导致性能提升。
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：生成自相关和部分自相关图
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
自相关和部分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
最低0.47元/天 解锁文章
扫一扫
1203
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
