2021-08-10_lstm隐含层节点个数如何确定

---

前言

新手小白，想用LSTM做模型，参考了这篇文章参考来源

---

温度、湿度、日照时间等都会对蒸散发产生影响，想基于此构造LSTM模型，输入为当日温度、湿度、日照时间等，输出为当日蒸散发。

一、数据预处理

收集了一个区域内若干个气象站1960年-2020年的气候数据，用PM公式算出了参考蒸散发。先用一个观测站的数据来跑一下模型。用除去2020年的数据进行训练，2020年的数据进行验证。

clear;
clc;
data = importdata('data.txt')
[num11,num1] = size(data);
num2 = num11-365;

%加载数据，重构为行向量
IN_train = data((2:num2),1:8)';
OUT_train = data((2:num2),9)'; %第9行为ET

% 测试集――365个样本
IN_test = data((num2+1:end),1:8)';
OUT_test = data((num2+1:end),9)';
N = size(IN_test,2);
[in_train, ps_input] = mapminmax(IN_train,0,1);
in_test = mapminmax('apply',IN_test,ps_input);
[out_train, ps_output] = mapminmax(OUT_train,0,1);

xvalidation = in_train(:,num2-1000:end);
in_train = in_train(:,1:num2-1001);
yvalidation = out_train(:,num2-1000:end);
out_train=out_train(:,1:num2-1001);
rng('default')%设置随机种子
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23

二、网络构造

代码如下：

%创建LSTM回归网络，指定LSTM层的隐含单元个数200
numFeatures = size(in_train,1);
numResponses = 1;
numHiddenUnits =200;
 
layers = [ ...
    sequenceInputLayer(numFeatures)
    lstmLayer(numHiddenUnits)
    fullyConnectedLayer(numResponses)
    regressionLayer];
 
%指定训练选项，求解器设置为adam， 100 轮训练。
%梯度阈值设置为 1。指定初始学习率 0.005，在 10 轮训练后通过乘以因子 0.2 来降低学习率。

options = trainingOptions('adam', ...
    'MaxEpochs',100, ...
    'GradientThreshold',1, ...
    'InitialLearnRate',0.01, ...
    'LearnRateSchedule','piecewise', ...
    'LearnRateDropPeriod',55, ...
    'ValidationData',{xvalidation,yvalidation}, ...
    'ValidationFrequency',10, ...
    'LearnRateDropFactor',0.2, ...
    'Verbose',0, ...
    'Plots','training-progress');
%训练LSTM
net = trainNetwork(in_train,out_train,layers,options);
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27

三、数据预测

代码如下：

net = resetState(net);
net = predictAndUpdateState(net,in_train);
YPred = predict(net,in_test,'MiniBatchSize',1);
% 数据反归一化
T_sim = mapminmax('reverse',YPred,ps_output);


% 1. 相对绝对误差MAE
mae = sum(abs(T_sim - OUT_test))./N;
% 2.均方根误差RMSE
rmse = sqrt(sum((T_sim - OUT_test).^2)./N);

% 3. 相关系数R
R = sqrt((N * sum(T_sim .* OUT_test) - sum(T_sim) * sum(OUT_test))^2 / ((N * sum((T_sim).^2) - (sum(T_sim))^2) * (N * sum((OUT_test).^2) - (sum(OUT_test))^2))); 
%%
% 4. 结果对比
result = [OUT_test' T_sim']
%%  绘图
figure
plot(1:N,OUT_test,'b',1:N,T_sim,'r')
legend('真实值','预测值')
xlabel('预测样本')
ylabel('真实值')
string = {'LSTM预测结果对比';['R=' num2str(R)]};
title(string)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25

四、结果

预测的结果如下（纵轴处理过，单位不是mm）

---

总结

借鉴了博主”左儿筱羽“的代码。 结果还不错，后续还要根据情况继续改进一下。