58453085177825lstm_pred.zip

clc clear load dataset.mat %加载数据(double型，剔除了2023年的的第一个数据，总共为2191个。时序预测没有实际时间，只有事情发生的顺序) data=data(:,2)'; %不转置的话，无法训练lstm网络，显示维度不对。 %% 序列的前2000个用于训练，后191个用于验证神经网络，然后往后预测200个数据。 dataTrain = data(1:2000); %定义训练集 dataTest = data(2001:2191); %该数据是用来在最后与预测值进行对比的 %% 数据预处理 mu = mean(dataTrain); %求均值 sig = std(dataTrain); %求均差 dataTrainStandardized = (dataTrain - mu) / sig; %% 输入的每个时间步，LSTM网络学习预测下一个时间步，这里交错一个时间步效果最好。 XTrain = dataTrainStandardized(1:end-1); YTrain = dataTrainStandardized(2:end); %% 一维特征lstm网络训练 numFeatures = 1; %特征为一维 numResponses = 1; %输出也是一维 numHiddenUnits = 200; %创建LSTM回归网络，指定LSTM层的隐含单元个数200。可调 layers = [ ... sequenceInputLayer(numFeatures) %输入层 lstmLayer(numHiddenUnits) % lstm层，如果是构建多层的LSTM模型，可以修改。 fullyConnectedLayer(numResponses) %为全连接层,是输出的维数。 regressionLayer]; %其计算回归问题的半均方误差模块 。即说明这不是在进行分类问题。 %指定训练选项，求解器设置为adam， 1000轮训练。 %梯度阈值设置为 1。指定初始学习率 0.01，在 125 轮训练后通过乘以因子 0.2 来降低学习率。 options = trainingOptions('adam', ... 'MaxEpochs',1000, ... 'GradientThreshold',1, ... 'InitialLearnRate',0.01, ... 'LearnRateSchedule','piecewise', ...%每当经过一定数量的时期时，学习率就会乘以一个系数。 'LearnRateDropPeriod',400, ... %乘法之间的纪元数由“ LearnRateDropPeriod”控制。可调 'LearnRateDropFactor',0.15, ... %乘法因子由参“ LearnRateDropFactor”控制，可调 'Verbose',0, ... %如果将其设置为true，则有关训练进度的信息将被打印到命令窗口中。默认值为true。 'Plots','training-progress'); %构建曲线图 将'training-progress'替换为none net = trainNetwork(XTrain,YTrain,layers,options); %% 神经网络初始化 net = predictAndUpdateState(net,XTrain); %将新的XTrain数据用在网络上进行初始化网络状态 [net,YPred] = predictAndUpdateState(net,YTrain(end)); %用训练的最后一步来进行预测第一个预测值，给定一个初始值。这是用预测值更新网络状态特有的。 %% 进行用于验证神经网络的数据预测（用预测值更新网络状态） for i = 2:291 %从第二步开始，这里进行191次单步预测(191为用于验证的预测值，100为往后预测的值。一共291个） [net,YPred(:,i)] = predictAndUpdateState(net,YPred(:,i-1),'ExecutionEnvironment','cpu'); %predictAndUpdateState函数是一次预测一个值并更新网络状态 end %% 验证神经网络 YPred = sig*YPred + mu; %使用先前计算的参数对预测去标准化。 rmse = sqrt(mean((YPred(1:191)-dataTest).^2)) ; %计算均方根误差 (RMSE)。 subplot(2,1,1) plot(dataTrain(1:end)) %先画出前面2000个数据，是训练数据。 hold on idx = 2001:(2000+191); %为横坐标 plot(idx,YPred(1:191),'.-') %显示预测值 hold off xlabel("Time") ylabel("Case") title("Forecast") legend(["Observed" "Forecast"]) subplot(2,1,2) plot(data) xlabel("Time") ylabel("Case") title("Dataset") %% 继续往后预测2023年的数据 figure(2) idx = 2001:(2000+291); %为横坐标 plot(idx,YPred(1:291),'.-') %显示预测值 hold off