据观察，波动性（或消费从一天到下一天的变化）非常高。在这方面，对数变换可以用于尝试稍微平滑该数据。在此之前，生成ACF和PACF图，并进行Dickey-Fuller测试。

自相关图

点击标题查阅往期内容

在Python中使用LSTM和PyTorch进行时间序列预测

转存失败重新上传取消

左右滑动查看更多

转存失败重新上传取消

01

02

03

04

偏自相关图

自相关和偏自相关图都表现出显着的波动性，这意味着时间序列中的几个区间存在相关性。

运行Dickey-Fuller测试时，会产生以下结果：

当p值高于0.05时，不能拒绝非平稳性的零假设。

STD1

954.7248

4043.4302

0.23611754

变异系数（或平均值除以标准差）为0.236，表明该系列具有显着的波动性。

现在，数据被转换为对数格式。

虽然时间序列仍然不稳定，但当以对数格式表示时，偏差的大小略有下降：

此外，变异系数已显着下降至0.0319，这意味着与平均值相关的趋势的可变性显着低于先前。

STD2 = np.std（数据集）

mean2 = np.mean（数据集）

cv2 = std2 / mean2 #变异系数

std2

0.26462445

mean2

8.272395

cv2

0.031988855

同样，在对数数据上生成ACF和PACF图，并再次进行Dickey-Fuller测试。

自相关图

偏自相关图

Dickey-Fuller测试

... print（'\ t％s：％。3f'％（key，value））

1％：-3.440

5％： - 2.866

10％： - 2.569

Dickey-Fuller检验的p值降至0.0576。虽然这在技术上没有拒绝零假设所需的5％显着性阈值，但对数时间序列已显示基于CV度量的较低波动率，因此该时间序列用于LSTM的预测目的。

LSTM的时间序列分析

现在，LSTM模型用于预测目的。

数据处理

首先，导入相关库并执行数据处理

LSTM生成和预测

模型训练超过100期，并生成预测。

＃生成LSTM网络

model = Sequential（）

model.add（LSTM（4，input_shape =（1，previous）））

model.fit（X\_train，Y\_train，epochs = 100，batch_size = 1，verbose = 2）

＃生成预测

trainpred = model.predict（X_train）

＃将标准化后的数据转换为原始数据

trainpred = scaler.inverse_transform（trainpred）

＃计算 RMSE

trainScore = math.sqrt（mean\_squared\_error（Y_train \[0\]，trainpred \[：，0\]））

＃训练预测

trainpredPlot = np.empty_like（dataset）

＃测试预测

＃绘制所有预测

inversetransform，= plt.plot（scaler.inverse_transform（dataset））

准确性

该模型显示训练数据集的均方根误差为0.24，测试数据集的均方根误差为0.23。平均千瓦消耗量（以对数格式表示）为8.27，这意味着0.23的误差小于平均消耗量的3％。

以下是预测消费与实际消费量的关系图：

有趣的是，当在原始数据上生成预测（未转换为对数格式）时，会产生以下训练和测试误差：

在每天平均消耗4043千瓦的情况下，测试的均方误差占总日均消耗量的近20％，并且与对数数据产生的误差相比非常高。

让我们来看看这增加预测到10和50天。

10天

50天

我们可以看到测试误差在10天和50天期间显着降低，并且考虑到LSTM模型在预测时考虑了更多的历史数据，消耗的波动性得到了更好的预测。

鉴于数据是对数格式，现在可以通过获得数据的指数来获得预测的真实值。

例如，testpred变量用（1，-1）重新调整：

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）

对于这个例子，LSTM被证明在预测电力消耗波动方面非常准确。此外，以对数格式表示时间序列可以提高LSTM的预测准确度。

本文摘选《Python中利用长短期记忆模型LSTM进行时间序列预测分析 - 预测电力负荷数据》，点击“阅读原文”获取全文完整资料。

点击标题查阅往期内容

RNN循环神经网络 、LSTM长短期记忆网络实现时间序列长期利率预测

结合新冠疫情COVID-19股票价格预测：ARIMA，KNN和神经网络时间序列分析

深度学习：Keras使用神经网络进行简单文本分类分析新闻组数据

用PyTorch机器学习神经网络分类预测银行客户流失模型

PYTHON用LSTM长短期记忆神经网络的参数优化方法预测时间序列洗发水销售数据

Python用Keras神经网络序列模型回归拟合预测、准确度检查和结果可视化

Python用LSTM长短期记忆神经网络对不稳定降雨量时间序列进行预测分析

R语言中的神经网络预测时间序列：多层感知器（MLP）和极限学习机（ELM）数据分析报告

R语言深度学习：用keras神经网络回归模型预测时间序列数据

Matlab用深度学习长短期记忆（LSTM）神经网络对文本数据进行分类

R语言KERAS深度学习CNN卷积神经网络分类识别手写数字图像数据（MNIST）

MATLAB中用BP神经网络预测人体脂肪百分比数据

Python中用PyTorch机器学习神经网络分类预测银行客户流失模型

R语言实现CNN（卷积神经网络）模型进行回归数据分析

SAS使用鸢尾花(iris)数据集训练人工神经网络(ANN)模型

【视频】R语言实现CNN（卷积神经网络）模型进行回归数据分析

Python使用神经网络进行简单文本分类

R语言用神经网络改进Nelson-Siegel模型拟合收益率曲线分析

R语言基于递归神经网络RNN的温度时间序列预测

R语言神经网络模型预测车辆数量时间序列

R语言中的BP神经网络模型分析学生成绩

matlab使用长短期记忆（LSTM）神经网络对序列数据进行分类

R语言实现拟合神经网络预测和结果可视化

用R语言实现神经网络预测股票实例

使用PYTHON中KERAS的LSTM递归神经网络进行时间序列预测

python用于NLP的seq2seq模型实例:用Keras实现神经网络机器翻译

用于NLP的Python：使用Keras的多标签文本LSTM神经网络分类返回搜狐，查看更多