基于深度学习的时间序列预测

这个例子展示了如何使用长短期记忆(LSTM)网络预测时间序列数据。

为了预测序列未来时间步长的值，可以训练一个序列到序列回归LSTM网络，其中的响应是值移动一个时间步长的训练序列。即在输入序列的每一个时间步长，LSTM网络学习预测下一个时间步长的值。

要预测未来多个时间步的值，请使用预测和更新房地产函数一次预测一个时间步，并在每次预测时更新网络状态。

本例使用数据集chickenpox_dataset。该示例训练LSTM网络，根据前几个月的水痘病例数预测水痘病例数。

加载序列数据

加载示例数据。chickenpox_dataset包含单个时间序列，时间步长对应于月份，值对应于案例数。输出为单元格数组，其中每个元素为单个时间步长。将数据重塑为行向量。

数据=水痘数据集；数据=[数据{：}]；图形绘图（数据）xlabel(“月”) ylabel (“案例”)标题(“每月水痘病例”)

对培训和测试数据进行分区。在序列的前90%进行训练，在最后10%进行测试。

地板numTimeStepsTrain =(0.9 *元素个数(数据);dataTrain =数据(1:numTimeStepsTrain + 1);人数(=数据(numTimeStepsTrain + 1:结束);

标准化数据

为了更好地拟合并防止训练发散，将训练数据标准化为零均值和单位方差。在预测时，必须使用与训练数据相同的参数标准化测试数据。

μ=意味着(dataTrain);sig =性病(dataTrain);datatrain标准化= (datatrainmu) / sig;

准备预测因素和反应

要预测序列未来时间步的值，请将响应指定为值移动一个时间步的训练序列。也就是说，在输入序列的每个时间步，LSTM网络学习预测下一个时间步的值。预测器是没有最终时间步的训练序列。

XTrain = dataTrainStandardized (1: end-1);YTrain = dataTrainStandardized(2:结束);

定义LSTM网络体系结构

创建一个LSTM回归网络。指定LSTM层有200个隐藏单元。

numFeatures=1；numResponses=1；numHiddenUnits=200；图层=[...sequenceInputLayer（numFeatures）lstmLayer（numHiddenUnits）fullyConnectedLayer（numResponses）regressionLayer]；

指定训练选项。将解算器设置为“亚当”训练250个时代。为了防止渐变发生爆炸，设置渐变阈值为1。指定初始学习率为0.005，并将125个纪元后的学习率乘以0.2。

选择= trainingOptions (“亚当”,...“MaxEpochs”, 250,...“GradientThreshold”,1，...“初始学习率”,0.005,...“LearnRateSchedule”,“分段”,...“LearnRateDropPeriod”,125,...“LearnRateDropFactor”,0.2,...“详细”0,...“情节”,“培训进度”）;

列车LSTM网络

使用指定的培训选项培训LSTM网络列车网络．

网= trainNetwork (XTrain、YTrain层,选择);

预测未来的时间步长

要预测未来多个时间步的值，请使用预测和更新房地产函数一次预测一个时间步长，并在每次预测时更新网络状态。对于每次预测，使用以前的预测作为函数的输入。

使用与培训数据相同的参数标准化测试数据。

dataTestStandardized=（dataTest-mu）/sig；XTest=dataTestStandardized（1:end-1）；

要初始化网络状态，首先对训练数据进行预测XTrain．接下来，使用训练反应的最后一个时间步骤进行第一次预测YTrain(结束)．循环剩余的预测并输入之前的预测预测和更新房地产．

对于大型数据集合、长序列或大型网络，GPU上的预测计算速度通常快于CPU上的预测。否则，CPU上的预测计算速度通常更快。对于单时间步预测，使用CPU。要使用CPU进行预测，请设置“执行环境”选择预测和更新房地产到“cpu”．

网= predictAndUpdateState(净,XTrain);[净,YPred] = predictAndUpdateState(净,YTrain(结束));numTimeStepsTest =元素个数(XTest);对于i = 2:numTimeStepsTest [net,YPred(:，i)] = predictAndUpdateState(net,YPred(:，i))，“执行环境”,“cpu”）;终止

使用前面计算的参数使预测不标准化。

YPred = sig*YPred + mu;

训练进度图报告从标准化数据计算的均方根误差(RMSE)。从非标准化预测计算RMSE。

YTest=数据测试（2：结束）；rmse=sqrt（平均值（（YPED YTest）。^2））

rmse=仅有一个的248.5531

用预测值绘制训练时间序列。

图绘制(dataTrain (1: end-1))在idx = numTimeStepsTrain:(numTimeStepsTrain + numTimeStepsTest);情节(idx (numTimeStepsTrain) YPred][数据,'.-')举行从包含(“月”) ylabel (“案例”)标题(“预测”)传说([“观察到”“预测”]）

将预测值与试验数据进行比较。

figure subplot(2,1,1) plot(YTest) hold在地块（YPred，'.-')举行从传奇([“观察到”“预测”])伊拉贝尔(“案例”)标题(“预测”)子地块（2,1,2）茎（YPred-YTest）xlabel(“月”) ylabel (“错误”)标题(" RMSE = "+rmse）

使用观察到的值更新网络状态

如果您可以访问预测之间的实际时间步长的值，那么您可以使用观测值而不是预测值更新网络状态。

首先，初始化网络状态。要对新序列进行预测，请使用resetState．重置网络状态可以防止先前的预测影响对新数据的预测。重置网络状态，然后通过对训练数据的预测来初始化网络状态。

网= resetState(净);网= predictAndUpdateState(净,XTrain);

预测每个时间步。对于每个预测，使用前一时间步的观测值预测下一时间步。设定“执行环境”选择预测和更新房地产到“cpu”．

YPred = [];numTimeStepsTest =元素个数(XTest);对于i = 1:numTimeStepsTest [net,YPred(:，i)] = predictAndUpdateState(net,XTest(:，i))，“执行环境”,“cpu”）;终止

使用前面计算的参数使预测不标准化。

YPred = sig*YPred + mu;

计算均方根误差(RMSE)。

rmse=sqrt（平均值（（YPred y试验）。^2））

rmse = 158.0959

将预测值与试验数据进行比较。

figure subplot(2,1,1) plot(YTest) hold在地块（YPred，'.-')举行从传奇([“观察到”“预测”])伊拉贝尔(“案例”)标题(“与更新预测”)子地块（2,1,2）茎（YPred-YTest）xlabel(“月”) ylabel (“错误”)标题(" RMSE = "+rmse）