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
4 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.
博主简介：擅长智能优化算法、神经网络预测、信号处理、元胞自动机、图像处理、路径规划、无人机、雷达通信、无线传感器等多种领域的Matlab仿真，相关matlab代码问题可私信交流。
部分理论引用网络文献，若有侵权联系博主删除。