此示例中，神經網絡用于使用2011年4月至2013年2月期間的數據預測都柏林市議會公民辦公室的能源消耗。

每日數據是通過總計每天提供的15分鐘間隔的消耗量來創建的。

LSTM簡介

LSTM(或長期短期存儲器網絡)允許分析具有長期依賴性的順序或有序數據。當涉及到這項任務時，傳統的神經網絡不足，在這方面，LSTM將用于預測這種情況下的電力消耗模式。

與ARIMA等模型相比，LSTM的一個特殊優勢是數據不一定需要是固定的(常數均值，方差和自相關)，以便LSTM對其進行分析 - 即使這樣做可能會導致性能提升。

自相關圖，Dickey-Fuller測試和對數變換

為了確定我們的模型中是否存在平穩性：

生成自相關和部分自相關圖

進行Dickey-Fuller測試

對時間序列進行對數變換，并再次運行上述兩個過程，以確定平穩性的變化(如果有的話)

首先，這是時間序列圖：

need-to-insert-img

need-to-insert-img

據觀察，波動性(或消費從一天到下一天的變化)非常高。在這方面，對數變換可以用于嘗試稍微平滑該數據。在此之前，生成ACF和PACF圖，并進行Dickey-Fuller測試。

自相關圖

need-to-insert-img

部分自相關圖

need-to-insert-img

自相關和部分自相關圖都表現出顯著的波動性，這意味著時間序列中的幾個區間存在相關性。

運行Dickey-Fuller測試時，會產生以下結果：

當p值高于0.05時，不能拒絕非平穩性的零假設。

need-to-insert-img

STD1 954.7248 4043.4302 0.23611754

need-to-insert-img

變異系數(或平均值除以標準差)為0.236，表明該系列具有顯著的波動性。

現在，數據被轉換為對數格式。

雖然時間序列仍然不穩定，但當以對數格式表示時，偏差的大小略有下降：

need-to-insert-img

need-to-insert-img

此外，變異系數已顯著下降至0.0319，這意味著與平均值相關的趨勢的可變性顯著低于先前。

STD2 = np.std(數據集) mean2 = np.mean(數據集) cv2 = std2 / mean2 #Cafficient of Variation

need-to-insert-img

std2 0.26462445

need-to-insert-img

mean2 8.272395

need-to-insert-img

cv2 0.031988855

need-to-insert-img

同樣，在對數數據上生成ACF和PACF圖，并再次進行Dickey-Fuller測試。

自相關圖

need-to-insert-img

偏自相關圖

need-to-insert-img

Dickey-Fuller測試

... print('\ t％s：％。3f'％(鍵，值)) 1％：-3.440 5％： - 2.866 10％： - 2.569

need-to-insert-img

Dickey-Fuller檢驗的p值降至0.0576。雖然這在技術上沒有輸入拒絕零假設所需的5％顯著性閾值，但對數時間序列已顯示基于CV度量的較低波動率，因此該時間序列用于LSTM的預測目的。

LSTM的時間序列分析

現在，LSTM模型本身用于預測目的。

數據處理

首先，導入相關庫并執行數據處理

LSTM生成和預測

模型訓練超過100個時期，并生成預測。

＃生成LSTM網絡 model = Sequential() model.add(LSTM(4，input_shape =(1，previous))) model.fit(X_train，Y_train，epochs = 100，batch_size = 1，verbose = 2) ＃生成預測 trainpred = model.predict(X_train) ＃將預測轉換回正常值 trainpred = scaler.inverse_transform(trainpred) ＃calculate RMSE trainScore = math.sqrt(mean_squared_error(Y_train [0]，trainpred [：，0])) ＃訓練預測 trainpredPlot = np.empty_like(dataset) ＃測試預測 ＃繪制所有預測 inversetransform，= plt.plot(scaler.inverse_transform(dataset))

need-to-insert-img

準確性

該模型顯示訓練數據集的均方根誤差為0.24，測試數據集的均方根誤差為0.23。平均千瓦消耗量(以對數格式表示)為8.27，這意味著0.23的誤差小于平均消耗量的3％。

以下是預測消費與實際消費量的關系圖：

need-to-insert-img

有趣的是，當在原始數據上生成預測(未轉換為對數格式)時，會產生以下訓練和測試錯誤：

在每天平均消耗4043千瓦的情況下，測試分數的均方誤差占總日均消耗量的近20％，并且與對數數據產生的相比非常高。

need-to-insert-img

也就是說，重要的是要記住，使用1天的先前數據進行預測，即Y表示時間t的消耗，而X表示時間t-1的消耗，由代碼中的前一個變量設置先前。讓我們來看看這增加到個究竟10和50天。

10天

need-to-insert-img

＃

need-to-insert-img

50天

need-to-insert-img

need-to-insert-img

我們可以看到測試誤差在10天和50天期間顯著降低，并且考慮到LSTM模型在預測時考慮了更多的歷史數據，消耗的波動性得到了更好的捕獲。

鑒于數據是對數格式，現在可以通過獲得數據的指數來獲得預測的真實值。

例如，testpred變量用(1，-1)重新整形：

testpred.reshape(1，-1) array([[7.7722197,8.277015,8.458941,8.455311,8.447589,8.445035， ...... 8.425287,8.404881,8.457063,8.423954,7.98714,7.9003944， 8.240862,8.41654,8.423854,8.437414,8.397851,7.9047146]]， dtype = float32)

need-to-insert-img

結論

對于這個例子，LSTM被證明在預測電力消耗波動方面非常準確。此外，以對數格式表示時間序列允許平滑數據的波動性并提高LSTM的預測準確度。

need-to-insert-img

與50位技術專家面對面20年技術見證，附贈技術全景圖

總結

以上是生活随笔為你收集整理的python用电预测_Python中利用长短期记忆模型LSTM进行时间序列预测分析-预测电力消耗数据...的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。