LSTM时间序列回归matlab实现(附代码+数据集)

这篇具有很好参考价值的文章主要介绍了LSTM时间序列回归matlab实现(附代码+数据集)。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

原理部分

  LSTM在1997年被提出,从发表时间上来看已经是个"老"方法了。和其他的神经网络一样,LSTM可用于分类、回归以及时间序列预测等。原理部分的介绍可参考这篇博客。本文主要涉及利用matlab实现LSTM。
lstm matlab程序,代码,matlab,lstm,回归,人工智能

代码部分

  任务:以青霉素发酵过程仿真数据为例,利用LSTM建模预测质量变量。
  青霉素发酵过程仿真过程简介:共有18个过程变量,其中15个可测变量,剩余3个一般作为质量变量。共生成30个批次数据,每批次运行时长为400小时,采样时间为1小时,其中25批次用于训练,5批次用于测试。
  本文所用数据下载,基于matlab深度学习工具箱实现青霉素浓度的预测。

数据标准化

XTrain_mu = mean([XTrain{:}],2);
XTrain_sig = std([XTrain{:}],0,2);
XTest_mu = mean([XTest{:}],2);
XTest_sig = std([XTest{:}],0,2);
YTrain_mu = mean([YTrain{:}],2);
YTrain_sig = std([YTrain{:}],0,2);
YTest_mu = mean([YTest{:}],2);
YTest_sig = std([YTest{:}],0,2);

for i = 1:numel(XTrain)
    XTrain{i} = (XTrain{i} - XTrain_mu) ./ XTrain_sig ;
    YTrain{i}=(YTrain{i} - YTrain_mu) ./ YTrain_sig;
end

for i = 1:numel(XTest)
    XTest{i}=(XTest{i} - XTest_mu) ./ XTest_sig;
    YTest{i}=(YTest{i} - YTest_mu) ./ YTest_sig;
end

定义网络结构

numResponses = size(YTrain{1},1);
numHiddenUnits = 200;
numFeatures=15;%变量个数
layers = [ ...
    sequenceInputLayer(numFeatures)
    lstmLayer(numHiddenUnits,'OutputMode','sequence')
    fullyConnectedLayer(50)
    dropoutLayer(0.5)
    fullyConnectedLayer(numResponses)
    regressionLayer];
maxEpochs = 90;

设定超参数

options = trainingOptions('adam', ...
    'MaxEpochs',maxEpochs, ...
    'InitialLearnRate',0.01, ...
    'GradientThreshold',1, ...
    'Shuffle','never', ...
    'Plots','training-progress',...
    'Verbose',0);

模型训练

net = trainNetwork(XTrain,YTrain,layers,options);

回归预测

YPred = predict(net,XTest);

输出可视化

idx = randperm(numel(YPred),4);
figure
for i = 1:numel(idx)
    subplot(2,2,i)
    plot(YTest{idx(i)},'--')
    hold on
    plot(YPred{idx(i)},'.-')
    hold off
    title("Test Observation " + idx(i))
    xlabel("Time Step")
    ylabel("青霉素浓度")
    rmse = sqrt(mean((YPred{i} - YTest{i}).^2))
end
legend(["True" "Predicted"],'Location','southeast')

结果

训练过程:

回归预测:

lstm matlab程序,代码,matlab,lstm,回归,人工智能

整体代码

XTrain_mu = mean([XTrain{:}],2);
XTrain_sig = std([XTrain{:}],0,2);
XTest_mu = mean([XTest{:}],2);
XTest_sig = std([XTest{:}],0,2);
YTrain_mu = mean([YTrain{:}],2);
YTrain_sig = std([YTrain{:}],0,2);
YTest_mu = mean([YTest{:}],2);
YTest_sig = std([YTest{:}],0,2);

for i = 1:numel(XTrain)
    XTrain{i} = (XTrain{i} - XTrain_mu) ./ XTrain_sig ;
    YTrain{i}=(YTrain{i} - YTrain_mu) ./ YTrain_sig;
end

for i = 1:numel(XTest)
    XTest{i}=(XTest{i} - XTest_mu) ./ XTest_sig;
    YTest{i}=(YTest{i} - YTest_mu) ./ YTest_sig;
end
numResponses = size(YTrain{1},1);
numHiddenUnits = 200;
numFeatures=15;
layers = [ ...
    sequenceInputLayer(numFeatures)
    lstmLayer(numHiddenUnits,'OutputMode','sequence')
    fullyConnectedLayer(50)
    dropoutLayer(0.5)
    fullyConnectedLayer(numResponses)
    regressionLayer];
maxEpochs = 90;
options = trainingOptions('adam', ...
    'MaxEpochs',maxEpochs, ...
    'InitialLearnRate',0.01, ...
    'GradientThreshold',1, ...
    'Shuffle','never', ...
    'Plots','training-progress',...
    'Verbose',0);
net = trainNetwork(XTrain,YTrain,layers,options);
YPred = predict(net,XTest);
idx = randperm(numel(YPred),4);
figure
for i = 1:numel(idx)
    subplot(2,2,i)
    plot(YTest{idx(i)},'--')
    hold on
    plot(YPred{idx(i)},'.-')
    hold off
    title("Test Observation " + idx(i))
    xlabel("Time Step")
    ylabel("青霉素浓度")
    rmse = sqrt(mean((YPred{i} - YTest{i}).^2))
end
legend(["True" "Predicted"],'Location','southeast')

备注:市面上主流的网络都可以使用matlab的深度学习工具箱自行搭建,避免复杂的环境配置,如果不搞算法研究的话还是很好用的,强烈推荐。文章来源地址https://www.toymoban.com/news/detail-612598.html

到了这里,关于LSTM时间序列回归matlab实现(附代码+数据集)的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • 多维时序 | Matlab实现LSTM-Adaboost和LSTM多变量时间序列预测对比

    预测效果 基本介绍 多维时序 | Matlab实现LSTM-Adaboost和LSTM多变量时间序列预测对比 模型描述 Matlab实现LSTM-Adaboost和LSTM多变量时间序列预测对比(完整程序和数据) 1.输入多个特征,输出单个变量; 2.考虑历史特征的影响,多变量时间序列预测; 4.csv数据,方便替换; 5.运行环

    2024年02月10日
    浏览(47)
  • 第87步 时间序列建模实战:LSTM回归建模

    一、写在前面 这一期,我们介绍大名鼎鼎的LSTM回归。 同样,这里使用这个数据: 《PLoS One》2015年一篇题目为《Comparison of Two Hybrid Models for Forecasting the Incidence of Hemorrhagic Fever with Renal Syndrome in Jiangsu Province, China》文章的公开数据做演示。数据为江苏省2004年1月至2012年12月肾综

    2024年02月07日
    浏览(39)
  • 时序预测 | MATLAB实现TCN-LSTM时间卷积长短期记忆神经网络时间序列预测

    预测效果 基本介绍 1.MATLAB实现TCN-LSTM时间卷积长短期记忆神经网络时间序列预测; 2.运行环境为Matlab2021b; 3.单变量时间序列预测; 4.data为数据集,excel数据,MainTCN_LSTMTS.m为主程序,运行即可,所有文件放在一个文件夹; 5.命令窗口输出RMSE、MAE、MAPE多指标评价。 模型描述 由

    2024年02月09日
    浏览(64)
  • 时序预测 | Python实现ARIMA-LSTM差分自回归移动平均模型结合长短期记忆神经网络时间序列预测

    预测效果 基本介绍 时序预测 | Python实现ARIMA-LSTM差分自回归移动平均模型结合长短期记忆神经网络时间序列预测 直接替换数据即可用 适合新手小白 附赠案例数据 可直接运行 程序设计 完整程序和数据下载方式私信博主回复: Python实现ARIMA-LSTM差分自回归移动平均模型结合长

    2024年02月07日
    浏览(51)
  • 时序预测 | MATLAB实现EEMD-SSA-LSTM、EEMD-LSTM、SSA-LSTM、LSTM时间序列预测对比

    预测效果 基本介绍 时序预测 | MATLAB实现EEMD-SSA-LSTM、EEMD-LSTM、SSA-LSTM、LSTM时间序列预测对比 模型描述 麻雀搜索算法(Sparrow Search Algorithm, SSA)是于2020年提出的。SSA 主要是受麻雀的觅食行为和反捕食行为的启发而提出的。该算法比较新颖,具有寻优能力强,收敛速度快的优点。

    2024年02月09日
    浏览(44)
  • 时序预测 | MATLAB实现ARMA自回归移动平均模型时间序列预测

    预测效果 基本介绍 MATLAB实现ARMA时间序列预测(完整源码和数据) 本程序基于MATLAB的armax函数实现arma时间序列预测; 实现了模型趋势分析、序列平稳化、AIC准则模型参数识别与定阶、预测结果与误差分析过程,逻辑清晰。 数据为144个月的数据集,周期为一年,最终实现历史

    2024年02月07日
    浏览(62)
  • 时序预测 | MATLAB实现WOA-LSTM鲸鱼算法优化长短期记忆网络时间序列预测

    预测效果 基本介绍 MATLAB实现WOA-LSTM鲸鱼算法优化长短期记忆网络时间序列预测 基于鲸鱼算法优化长短期记忆网络(WOA-LSTM)的时间序列预测。 优化参数为学习率,隐藏层节点个数,正则化参数,要求2018b及以上版本,matlab代码。 评价指标包括:MAE、MSE、RMSE等,代码质量极高,方

    2024年02月01日
    浏览(45)
  • 时序预测 | MATLAB实现EEMD-LSTM、LSTM集合经验模态分解结合长短期记忆神经网络时间序列预测对比

    效果一览 基本介绍 时序预测 | MATLAB实现EEMD-LSTM、LSTM集合经验模态分解结合长短期记忆神经网络时间序列预测对比。 1.MATLAB实现EEMD-LSTM、LSTM时间序列预测对比; 2.时间序列预测 就是先eemd把原输入全分解变成很多维作为输入 再输入LSTM预测 ; 3.运行环境Matlab2018b及以上,输出RM

    2024年02月13日
    浏览(40)
  • 区间预测 | MATLAB实现QRGRU门控循环单元分位数回归时间序列区间预测

    效果一览 基本介绍 MATLAB实现QRGRU门控循环单元分位数回归时间序列区间预测。基于分位数回归的门控循环单元QRGRU的时间序列区间预测,多输入单输出模型 (Matlab完整程序和数据) (主要应用于风速,负荷,功率)(Matlab完整程序和数据) 运行环境matlab2020及以上,输入多个

    2024年02月12日
    浏览(37)
  • 时序预测 | MATLAB实现PSO-LSTM(粒子群优化长短期记忆神经网络)时间序列预测

    预测效果 基本介绍 Matlab基于PSO-LSTM粒子群算法优化长短期记忆网络的时间序列预测,PSO-LSTM时间序列预测(完整程序和数据) 优化参数为学习率,隐藏层节点个数,正则化参数,要求2018b及以上版本,matlab代码。 评价指标包括:R2、MAE、MSE、RMSE和MAPE等,代码质量极高,方便学习

    2024年02月12日
    浏览(50)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包