【LSTM时序预测】基于LSTM实现时间序列神经网络预测附MATLAB代码

✅作者简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，matlab项目合作可私信。

个人主页：Matlab科研工作室

个人信条：格物致知。

更多Matlab仿真内容点击

智能优化算法  神经网络预测 雷达通信  无线传感器

信号处理 图像处理 路径规划 元胞自动机 无人机  电力系统

⛄ 内容介绍

强风引起的输电线振动是影响电能传输安全的主要气 象灾害之一 。高压输电塔线兼具高耸结构和大跨结构的 特点使得其对于风载荷非常敏感，并且由于输电塔线通常分 布在野外，所以对输电塔线周围的风速情况进行长时间的实 时监测存在较大困难。为输电塔线体系建立风速预测模型可以给输电塔线的结构设计提供参考依据，并且也可以给电力维护人员留出充足的时间来确定合理的对策来应付强风情况 。

风速时刻在变化，并且易受多种外界因素的影响，因此 对风速的预测一般是对短期风速进行预测，短期风速预测的关键技术之一，就是选用合适的预测方法对实测风速建立合 理的数学模型，从而实现对风速的超前预测 。 国内外许多学 者基于对短期风速预测的研究提出了多种风速预测方法 。 主要包括时间序列分析法  、小波变换分析法  、卡尔曼滤 波法  、人工神经网络法 、机 器 学 习 算 法以 及 组 合 算 法等 。时间序列分析法常利用自身历史风速数据构建线 性风速预测模型，但其低阶模型预测精度不高，高阶模型参

数难以估 ; 卡尔曼滤波法开展风速预测时，由于风速 的噪声统计特性难以估计，造成其状态方程和特征方程不易 建立 ; 而神经网络法原理简单、非线性学习能力强，具 有很好的泛化能力，能够很好的处理非线性拟合问题，适于 开展风速预测研究，但是，参数设置复杂、训练时间长、所需 训练样本多，不利于预测精度的提高； 此外就是利用多种算法的组合，比如时间序列分析法和卡尔曼滤波相结合、BP 神经网络和小波变化相结合等预测方法，该类方法比较复 杂，实现较困难。因此设计一种实现简单，预测效果比较好的算法很有必 要，结合时间序列分析法和长短时记忆网络各自的优点，提 出一种将时间序列分析法和长短时记忆神经网络相结合的 预测方法，该组合算法原理简单，预测效果比较好 。该方法 首先利用时间序列对风速数据进行预测得到预测值以及预 测值和观测值之间的残差，然后利用残差重构样本集对长短 时记忆神经网络进行训练，并由长短时记忆神经网络进行预 测，得到残差数据预测结果，最后将时间序列预测值与长短 时记忆神经网络预测值相结合得到最终的风速预测结果 。

⛄ 部分代码

%% 初始化程序

warning off         % 关闭报警信息

close all               % 关闭所有图窗

clear                    % 清空变量

clc                        % 清空命令行

%% 读取数据

sn = xlsread('数据集.xlsx');

%% 滑动时间窗重构数据集

delay=10;

for i=1:length(sn)-delay

    data(i,:)=sn(i:i+delay)';    % 构建时间窗内以及下一刻的样本序列

end

⛄ 运行结果

⛄ 参考文献

[1]李蓉蓉, 戴永. 基于LSTM和时间序列分析法的短期风速预测[J]. 计算机仿真, 2020, 37(3):6.

⛄ Matlab代码关注

❤️部分理论引用网络文献，若有侵权联系博主删除

❤️ 关注我领取海量matlab电子书和数学建模资料