精美微信小程序模板seo模拟点击软件源码

【MATLAB第81期】基于MATLAB的LSTM长短期记忆网络预测模型时间滞后解决思路（更新中）

在LSTM预测过程中，极易出现时间滞后，类似于下图，与一个以上的样本点结果错位，产生滞后的效果。

在建模过程中，输入与输出之间关系的建立，周期性样本选择以及数据处理方式等都会产生影响。

影响因素讨论：
①数据预处理方式
②数据输入输出关系构造

二、案例分析——训练集测试集拟合：

1、数据情况

一列数据：
2007-2023年月度数据，168*1

2、多输入多输出（M-1输入,M-1输出）

（1）训练集和测试集单独标准化处理（SJCL1）

XTrain= dataTrainStandardized (1:M-1,:);% 训练输入
YTrain = dataTrainStandardized(2:M,:);% 训练输出
XTest = dataTestStandardized(1:N-1,:)%测试输入 0代表训练输入末位数据
YTest = dataTestStandardized(2:N,:);%测试输出

训练集拟合情况：

测试集拟合情况：

训练集数据的MAE为：6.753
验证集数据的MAE为：15.8771
训练集数据的RMSE为：12.0964
验证集数据的RMSE为：19.5052
训练集数据的MSE为：146.3234
验证集数据的MSE为：380.4535
训练集数据的R2为：0.97525
测试集数据的R2为：0.92702

（2）训练集和测试集整体标准化处理（SJCL3）

XTrain= dataStandardized (1:M-1,:);% 训练输入
YTrain = dataStandardized(2:M,:);% 训练输出
XTest = dataStandardized(1:N-1,:)%测试输入 0代表训练输入末位数据
YTest = dataStandardized(2:N,:);%测试输出

训练集拟合情况：

测试集拟合情况：

训练集数据的MAE为：5.0941
验证集数据的MAE为：12.6767
训练集数据的RMSE为：7.9809
验证集数据的RMSE为：16.9913
训练集数据的MSE为：63.6942
验证集数据的MSE为：288.7044
训练集数据的R2为：0.98875
测试集数据的R2为：0.947

（3）训练集和测试集单独归一化处理（SJCL5）

XTrain= dataTrainNormalization(1:M-1,:);% 训练输入
YTrain = dataTrainNormalization(2:M,:);% 训练输出
XTest = dataTestNormalization(1:N-1,:)%测试输入 0代表训练输入末位数据
YTest = dataTestNormalization(2:N,:);%测试输出

3、多输入多输出（M输入,M输出）

（1）训练集和测试集单独标准化处理（SJCL2）

XTrain= dataTrainStandardized (1:M,:);% 训练输入
YTrain = dataTrainStandardized(2:M+1,:);% 训练输出
XTest = dataTestStandardized(0:N-1,:)%测试输入 0代表训练输入末位数据
YTest = dataTestStandardized(1:N,:);%测试输出

训练集拟合情况：

测试集拟合情况：

训练集数据的MAE为：29.8318
验证集数据的MAE为：26.5024
训练集数据的RMSE为：57.9399
验证集数据的RMSE为：41.4219
训练集数据的MSE为：3357.0305
验证集数据的MSE为：1715.7726
训练集数据的R2为：0.48215
测试集数据的R2为：0.7138

（2）训练集和测试集单独标准化处理（SJCL4）

XTrain= dataStandardized (1:M,:);% 训练输入
YTrain = dataStandardized(2:M+1,:);% 训练输出
XTest = dataStandardized(0:N-1,:)%测试输入 0代表训练输入末位数据
YTest = dataStandardized(1:N,:);%测试输出

训练集拟合情况：

测试集拟合情况：

训练集数据的MAE为：29.8668
验证集数据的MAE为：23.625
训练集数据的RMSE为：59.1022
验证集数据的RMSE为：50.4366
训练集数据的MSE为：3493.0708
验证集数据的MSE为：2543.8486
训练集数据的R2为：0.48001
测试集数据的R2为：0.6037

6、多输入多输出（训练集和测试集单独归一化处理）

XTrain= dataStandardized (1:M,:);% 训练输入
YTrain = dataStandardized(2:M+1,:);% 训练输出
XTest = dataStandardized(0:N-1,:)%测试输入 0代表训练输入末位数据
YTest = dataStandardized(1:N,:);%测试输出

训练集拟合情况：

测试集拟合情况：

预测未来12个月：

2、数据集构造（训练集和测试集单独标准化处理）

XTrain= dataTrainStandardized (1:M-1,:);% 训练输入
YTrain = dataTrainStandardized(2:M,:);% 训练输出
XTest = dataTestStandardized(0:N,:)%测试输入 0代表训练输入末位数据
YTest = dataTestStandardized(1:N,:);%测试输出

LSTM优化后：
LSTM训练集拟合效果：

测试集拟合效果：

LSTM预测未来12个月：