使用深度学习的时间序列预测
此示例显示了如何使用长短期内存（LSTM）网络预测时间序列数据。
为了预测序列的未来时间步长的值，您可以培训序列到序列回归LSTM网络，其中响应是具有一个时间步长的值的训练序列。也就是说，在输入序列的每个时间步骤中，LSTM网络学习以预测下次步骤的值。
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。
此示例使用数据集水痘_dataset. 该示例训练一个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。水痘_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。输出是一个单元数组，其中每个元素都是一个时间步长。将数据重塑为行向量。
数据=水痘数据集；数据=[数据{：}]；图形打印（数据）xlabel(“月”）ylabel（“案例”） 标题（“水痘每月案例”)
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。
numtimestepstrain =地板（0.9 * numel（数据））;DataTrain =数据（1：NumtimeStepstrain + 1）;DataTest =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。
mu =卑鄙（数据标rain）;sig = std（DataTrain）;DataTrainstandardized =（DataTrain - mu）/ sig;
准备预测和反应
要预测序列的未来时间步的值，请将响应指定为值偏移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。预测值是没有最终时间步长的训练序列。
XTrain = DataTrain标准（1：端1）;Ytrain = DataTrain标准（2：结束）;
定义LSTM网络体系结构
创建LSTM回归网络。指定LSTM层以具有200个隐藏单元。
numFeatures=1；numResponses=1；numhidden单位=200；层=[...sequenceInputLayer（numFeatures）lstmLayer（numHiddenUnits）fullyConnectedLayer（numResponses）regressionLayer]；
指定培训选项。将解算器设置为“亚当”和火车250个时代。为了防止梯度爆炸，将梯度阈值设置为1.指定初始学习速率0.005，并通过乘以0.2的因子来降低125个时期的学习速率。
选项=培训选项（“亚当”,...“MaxEpochs”，250，...'gradientthreshold'，1，...“初始学习率”,0.005,...'shownrateschedule',“分段”,...“LearnRateDropPeriod”,125,...“LearnRateDropFactor”,0.2,...'verbose'，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.
net = trainnetwork（xtrain，ytrain，图层，选项）;
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，并在每次预测时更新网络状态。对于每个预测，使用上一个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=标准化数据测试（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，使用训练响应的最后一次步骤进行第一预测YTrain（结束）.循环剩余预测并输入以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上的预测通常比CPU上的预测计算速度更快。否则，CPU上的预测通常计算速度更快。对于单时间步预测，请使用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”.
net = predictandanddattestate（net，xtrain）;[net，ypred] = predictandanddattestate（net，ytrain（端））;numtimestepstest = numel（xtest）;对于i = 2：numtimestepstest [net，ypred（：，i）] = predictandanddateState（net，ypred（：，i-1），“执行环境”,“cpu”）;结束
利用前面计算的参数解开预测。
ypred = sig * ypred + mu;
培训进度绘图报告从标准化数据计算的根均方误差（RMSE）。从非标准化的预测计算RMSE。
YTest=数据测试（2：结束）；rmse=sqrt（平均值（（YPred y试验）。^2））
rmse=单一的248.5531.
用预测值绘制训练时间序列。
图绘图（DataTrain（1：终端1））保持在idx = numtimestepstrain :( numtimestepstrain + numtimestepstest）;绘图（IDX，[数据（numtimestepstrain）ypred]，'.-'） 抓住离开Xlabel（“月”）ylabel（“案例”） 标题（“预测”） 传奇（[“观察到”“预测”]）
将预测值与测试数据进行比较。
图形子图（2,1,1）绘图（ytest）保持在地块（YPred，'.-'） 抓住离开传奇（[“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时间步骤的实际值，则可以使用观察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，请使用该序列重置网络状态重置静止.重置网络状态可防止以前的预测影响新数据上的预测。重置网络状态，然后通过预测训练数据来初始化网络状态。
net = ResetState（网络）;net = predictandanddattestate（net，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 = numel（xtest）;对于i = 1：numtimestepstest [net，ypred（：，i）] = predictandanddattestate（net，xtest（：，i），“执行环境”,“cpu”）;结束
利用前面计算的参数解开预测。
ypred = sig * ypred + mu;
计算根均方误差（RMSE）。
rmse=sqrt（平均值（（YPred y试验）。^2））
RMSE = 158.0959.
将预测值与测试数据进行比较。
图形子图（2,1,1）绘图（ytest）保持在地块（YPred，'.-'） 抓住离开传奇（[“观察到”“预料到的”])伊拉贝尔(“案例”） 标题（“通过更新预测”)子地块（2,1,2）茎（YPred-YTest）xlabel(“月”）ylabel（“错误”） 标题（“rmse =”+rmse）
这里，当使用观察到的值而不是预测值更新网络状态时，预测更准确。
另见
相关话题
您还可以从以下列表中选择一个网站：
