matlab ts代码,TS_LSTM.m · XJTU_STEI/matlabTools - Gitee.com

%% Time series forcasting using LSTM

% script by adqeor@XJTU, Mar. 2021

% 使用 LSTM (long short-term memory networks, 长-短期记忆神经网络) 进行时间序列预测

% 训练一个序列到序列映射的 LSTM 网络. 对比马尔科夫链, 它能学习(序列值的)长相期关性

% 需要 MATLAB Deep Learning Toolbox.

% 代码内容来自 MATLAB 文档: "Time Series Forecasting Using Deep Learning"

%

%

% Reference:

%

%

% https://intellipaat.com/blog/what-is-lstm/

%

% LSTM 是 RNN 循环神经网络的一种. RNN 的神经元输出不仅取决于当前输入, 还受先前输出影响. 有点 IIR 的感觉

%

% https://blog.csdn.net/u011060119/article/details/71082015 链接使用 MATLAB 实现了 LSTM 而不使用深度学习工具箱.

%% 数据输入和可视化

data = chickenpox_dataset;

data = [data{:}];

figure;

plot(data);

xlabel("Month");

ylabel("Cases");

title("Monthly Cases of Chickenpox");

%% 数据划分

% 前 90% 用于训练, 剩余 10% 作为验证

numTimeStepsTrain = floor(0.5*numel(data));

dataTrain = data(1:numTimeStepsTrain+1);

dataTest = data(numTimeStepsTrain+1:end);

% 观察"小样本学习"的效果

% numTimeStepsTrain = 200;

% dataTrain = data(1:numTimeStepsTrain);

% dataTest = data(numTimeStepsTrain:numTimeStepsTrain+50);

%% 数据标准化

[dataTrainStd, mu, sigma] = zscore(dataTrain);

%% 准备神经网络训练用数据

% 模式: 输入一组序列, 输出下一个数据点

% 在此基础上使用 predictAndUpdateState 获得多个预测

XTrain = dataTrainStd(1:end-1);

YTrain = dataTrainStd(2:end);

%% 定义 LSTM 网络结构

numFeatures = 1;

numResponses = 1;

numHiddenUnits = 200;

layers = [ ...

sequenceInputLayer(numFeatures)

lstmLayer(numHiddenUnits)

fullyConnectedLayer(numResponses)

regressionLayer];

options = trainingOptions('adam', ...

'MaxEpochs',250, ...

'GradientThreshold',1, ...

'InitialLearnRate',0.005, ...

'LearnRateSchedule','piecewise', ...

'LearnRateDropPeriod',125, ...

'LearnRateDropFactor',0.2, ...

'Verbose',0, ...

'Plots','training-progress');

%% LSTM 网络迭代学习

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

%% 训练完成后预测未来若干步

% 对已经训练完成的, 进行序列预测的 RNN, 输入上一个观测数据就能得到新的预测值;

% 或者输入上一个预测值得到进一步预测值, 以实现多步预测.

% RNN 的每一步预测都需要输入序列前一个值. 预测过程会同步修改内部神经元的数据.

dataTestStd = (dataTest - mu) / sigma;

XTest = dataTestStd(1:end-1);

net = predictAndUpdateState(net,XTrain);

[net,YPred] = predictAndUpdateState(net,YTrain(end));

numTimeStepsTest = numel(XTest);

for i = 2:numTimeStepsTest

[net, YPred(i)] = predictAndUpdateState(net, YPred(i-1),'ExecutionEnvironment','cpu');

% 单时间步预测, 在 CPU 上进行预测计算通常更快

end

%% 将预测结果从 zscore 标准化中恢复

YPred = sigma*YPred + mu;

YTest = dataTest(2:end);

rmse = rms(YPred-YTest)

%% 可视化: 在源数据集下显示预测结果

figure('Name','可视化: 在源数据集下显示预测结果');

plot(dataTrain(1:end-1));

hold on;

idx = numTimeStepsTrain:numTimeStepsTrain+numTimeStepsTest;

plot(idx, [data(numTimeStepsTrain) YPred], '.-');

hold off;

xlabel("Month");

ylabel("Cases");

title("Forecast");

legend(["Observed" "Forecast"]);

%% 可视化: 预测结果与实际值比较

figure('Name','可视化: 预测结果与实际值比较');

subplot(2,1,1);

plot(YTest);

hold on;

plot(YPred,'.-');

hold off;

legend(["Observed" "Forecast"]);

ylabel("Cases");

title("Forecast");

subplot(2,1,2);

stem(YPred - YTest);

xlabel("Month");

ylabel("Error");

title("RMSE = " + rmse);

%% 使用观测值刷新网络参数

% 之前的多步预测已经更改了网络的内部参数, 需要重置.

net = resetState(net);

net = predictAndUpdateState(net,XTrain);

YPred = [];

numTimeStepsTest = numel(XTest);

for i = 1:numTimeStepsTest

[net,YPred(i)] = predictAndUpdateState(net,XTest(i),'ExecutionEnvironment','cpu');

end

YPred = sigma*YPred + mu;

rmse = rms(YPred-YTest);

%% 可视化: 更新参数后的预测结果与实际值比较

figure('Name','可视化: 更新参数后的预测结果与实际值比较');

subplot(2,1,1);

plot(YTest);

hold on;

plot(YPred,'.-');

hold off;

legend(["Observed" "Forecast"]);

ylabel("Cases");

title("Forecast");

subplot(2,1,2);

stem(YPred - YTest);

xlabel("Month");

ylabel("Error");

title("RMSE = " + rmse);

一键复制

编辑

Web IDE

原始数据

按行查看

历史