【MATLAB第13期】基于LSTM长短期记忆网络的多输入单输出滑动窗口回归预测模型

【MATLAB第13期】基于LSTM长短期记忆网络的多输入单输出滑动窗口回归预测模型

一、实现效果

往期文章提到了对单列时间序列数据进行滑动窗口处理的思路，本文介绍如何对多输入单输出数据进行滑动窗口的思路。实现效果如下：
​

训练过程
​
测试集拟合效果

二、数据设置：

198行（代表198天），21列数据，其中前20列为变量，第21列为因变量。
前80%数据训练，后20%数据测试

三、滑动窗口处理：

滑动窗口尺寸为7，即可认为前7天的变量作为输入，第7天的因变量作为输出。
则输入的一组样本矩阵结构由20×1变成 20×7
而样本数量也从原来的198变为192 ，因为前6组变量数据作为了历史样本
​
输入数据样本 20198
​
转变后 19220*7

四、评价指标：

RMSE = 1.1891
MAPE = 0.05319

五、部分代码：

%% LSTM 多变量单输入滑动窗口处理
clear all;
clc;
close all;
load data

% 数据处理
% 归一化（全部特征 均归一化）
output_data =data(:,end);
input_data =data(:,1:end-1);
[input_normdata,input_normopt] =mapminmax(input_data',0,1);
[output_normdata,output_normopt] = mapminmax(output_data',0,1);
k =7;          %滑动窗口处理                                                    
% 划分数据集
n = floor(0.8*size(input_normdatacell,1));%训练集，测试集样本数目划分
% LSTM 层设置，参数设置
numhidden_units1=100;
% lstm
layers = [ ...
    sequenceInputLayer(inputSize,'name','input')                             %输入层设置
 lstmLayer(numhidden_units1)                     %学习层设置
     fullyConnectedLayer(outputSize,'name','fullconnect')                     %全连接层设置（outputsize:预测值的特征维度）
    regressionLayer('name','out')];                                          %回归层
% trainoption
opts = trainingOptions('adam', ...        %优化算法
    'MaxEpochs',10, ...                   %遍历样本最大循环数
    'GradientThreshold',1,...             %梯度阈值
    'ExecutionEnvironment','cpu',...      %运算环境
    'InitialLearnRate',0.001, ...         %初始学习率
    'Plots','training-progress'...        % 打印训练进度
    );
% 网络训练
tic
net = trainNetwork(input_xtraincell,output_ytraincell,layers,opts);      %网络训练
% 预测
                                                               %预测天数                                    
yprenorm = net.predict(input_xtestcell);   %预测
ypre = mapminmax('reverse',yprenorm',output_normopt);          %预测值反归一化
yytest = mapminmax('reverse',output_ytestcell',output_normopt); 
RMSE  = sqrt(mean((ypre-yytest).^2));
MAPE  = mean((ypre-yytest)./yytest);
disp(["RMSE2  ",RMSE ])
disp(["MAPE2 ", MAPE])

六、获取方式：

后台回复‘回归滑动窗口’，即可获取下载链接。