【MATLAB第68期】基于MATLAB的LSTM长短期记忆网络多变量时间序列数据多步预测含预测未来（非单步预测）_lstm区间预测matlab

【MATLAB第68期】基于MATLAB的LSTM长短期记忆网络多变量时间序列数据多步预测含预测未来（非单步预测）

输入前25个时间，输出后5个时间

一、数据转换

1、原始数据

5列时间序列数据，70行样本
70×5 数据矩阵结构

2、数据转换

将总数据data划分成14×1cell，且每行为5×5的数据
14行cell中，每行代表5个变量的5天数据。
多步预测：根据前25天数据预测后5天数据
即5×1cell 预测 1×1cell

如：1~5行cell 预测第6行（1-25天，预测26-30天）
2~6行cell 预测第7行（6-30天，预测31-35天）
······
9-13行cell 预测第14行（41-65天，预测66-70天）

其次，将data_y弄成5×25，与data_x序列长度一致
data_add(n,1) ={zeros(5,20)};，增添零值
即将data_y 由5×5 变换为 5×25

二、参数设置

%% LSTM网络训练
inputsize =5;
outputsize =5;
layers=[sequenceInputLayer(inputsize);
        bilstmLayer(200);
        dropoutLayer(0.2);
        fullyConnectedLayer(outputsize);
        regressionLayer();
        ];
    
 opts = trainingOptions('adam', ...
    'MaxEpochs',2000, ...
    'GradientThreshold',1,...
    'ExecutionEnvironment','cpu',...
    'InitialLearnRate',0.005, ...
    'LearnRateSchedule','piecewise', ...
    'LearnRateDropPeriod',125, ...   %2个epoch后学习率更新
    'LearnRateDropFactor',0.2, ...
    'Shuffle','once',...  % 时间序列长度
    'L2Regularization',0.005,...%正则项系数初始值。建议一开始将正则项系数λ设置为0，先确定一个比较好的learning rate。然后固定该learning rate，给λ一个值（比如1.0），然后根据validation accuracy，将λ增大或者减小10倍（增减10倍是粗调节，当你确定了λ的合适的数量级后，比如λ = 0.01,再进一步地细调节，比如调节为0.02，0.03，0.009之类。
    'SequenceLength',25,...
    'MiniBatchSize',10,...%比如mini-batch size设为100，则权重更新的规则为：%也就是将100个样本的梯度求均值，替代online learning方法中单个样本的梯度值
    'Verbose',1,...
'Plots','training-progress');
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24

三、预测

1、测试集效果

输入data_x最后一行数据 ，即41-65天
输出 [1-20构造数据]+ 66-70天数据
筛选后5天数据 。

2、预测未来

若需要预测未来5天 P1（71-75），则只需要输入
第46-70天 5个变量数据
就会得到 [1*20构造数据]+第71-75天数据

若需要预测未来10天 P2（76-80），则只需要输入
第51-75天 （71-75天数据由P1提供）5个变量数据
就会得到 [1*20构造数据]+第76-80天数据

若需要预测未来15天 P3（81-85），则只需要输入
第56-80天 （76-80天数据由P2提供）5个变量数据
就会得到 [1*20构造数据]+第81-85天数据

四、代码获取

后台私信回复“第68期”可获取下载链接。