北京做网站公司排,wordpress 同城小程序,旅游攻略那个网站做的好,电商平台法律法规本文借鉴了数学建模清风老师的课件与思路#xff0c;可以点击查看链接查看清风老师视频讲解#xff1a;【1】演示#xff1a;基于LSTM深度学习网络预测时间序列#xff08;MATLAB工具箱#xff09;_哔哩哔哩_bilibili % Forecast of time series based on LSTM deep learn… 本文借鉴了数学建模清风老师的课件与思路可以点击查看链接查看清风老师视频讲解【1】演示基于LSTM深度学习网络预测时间序列MATLAB工具箱_哔哩哔哩_bilibili % Forecast of time series based on LSTM deep learning network
% (supporting multiple time series)
% 基于LSTM深度学习网络对时间序列进行预测支持多元时间序列% Requires: Windows computers and MATLAB version 2021a or later!
% Deep Learning Toolbox is also needed.
% Unzip the code before running it and dont forget to change current folder.
% 要求Windows电脑和MATLAB 2021a版本或更高版本!
% 还需要深度学习工具箱 Deep Learning Toolbox
% 运行代码前要解压压缩包不要忘记更改当前文件夹P_LSTM_Main_Function% The language of the interface can be switched in the bottom
% right corner of the toolbox, supporting Chinese and English.
% 工具箱右下角可以切换界面的语言支持中文和英文。
一、导入数据
时间序列不需要时间包括一元时间序列和多元时间序列若有时间则可以将时间删去同时数据里允许有缺失值。
若存在缺失值则会提供三种方法来解决一般来说是用三次样条插值。可根据插值后的图像来决定用哪种方法如果发现样条插值后的图像差异较大可考虑使用前两种方法如下图 若是指标较多可以使用堆叠折线图。
二、两种预测模式
选择不同的模式得到的结果不一样如下图 说白了就是先对模型进行调参然后将得到的最优参数带入进行训练。调参就是第二种模式将数据集划分成训练集和测试集测试集包含的样本数是多少就有多少样本拿来被测试然后就可以得到准确度。
三、设计LSTM网络 这里直接将鼠标移到对应的数值上即可知道对应参数的意思。
通常来说LSTM层一层就够了如果预测的效果不好再加大。
可以将生成的网络图使用deepNetworkDesigner查看网络放在论文中该图比较精美。
四、Adam优化算法的参数设置 将这里的介绍修改后放入自己的论文。文中的伪代码模型优缺点一样。
五、开始训练 在训练的时候考虑到训练的时间可能较久若迭代曲线趋于平稳则差不多可以停止训练了。 训练完成 六、汇报最终结果
6.1 调参过程中的的汇报 有很多个参数可以重点考虑R2在这里训练集效果一般测试集效果太差了。。。。。可能是出现了过拟合。需要修改参数。 下图为回归系数图第一个图为训练集的图第二个为测试集的图第三个为将所有数据进行训练的图。其中重点关注R2和系数系数越接近1越好第一个图系数为0.49719其他两个同理。 下图为几个数据集上的拟合图。 自动调参模块设置了几个学习率和隐藏单元根据这两个组合从而找到最优的一次参数。训练次数即为这两个参数各自的集合个数相乘如设置了学习率有两个隐藏单元有两个则训练次数为4次。
训练完成后会得到一个最佳参数的热力图。同时会自动将最优参数写进去。 6.2 调参完成的汇报
在调完参后就可以用所有的数据来训练模型了。当再次训练完模型后即可汇报以下这些图像。 没有导出代码。
若想在参考文献中引用这个工具箱可以在LSTM预测时间序列工具箱链接里复制里面的文献参考。
个人总结先对模型进行调参调参后会得到最优的学习率和隐藏单元数量然后查看训练的结果误差直方图回归图等等好不好不好的话则对其他参数进行调整直到得到一个较满意的结果然后再基于最好的参数来训练所有的数据及预测最终得到结果关于这个结果有RMSE,R2等等评价指标可以选择其中表现较好的拿去论文中展示前面模型的调参同理。
