机器学习算法实战案例：LSTM实现多变量多步负荷预测

news2025/1/10 21:17:27

文章目录

- - 1 数据处理
  - - 1.1 数据集简介
    - 1.2 数据集处理
  - 2 模型训练与预测
  - - 2.1 模型训练
    - 2.2 模型多步预测
    - 2.3 结果可视化
  - 答疑&技术交流
  - 机器学习算法实战案例系列

1 数据处理

1.1 数据集简介

实验数据集采用数据集6：澳大利亚电力负荷与价格预测数据，包括数据集包括日期、小时、干球温度、露点温度、湿球温度、湿度、电价、电力负荷特征，时间间隔30min。

单独查看部分负荷数据，发现有较强的规律性。

1.2 数据集处理

首先检查数据的缺失值情况，通过统计数据可以看到，数据比较完整，不存在缺失值。其他异常值和数据处理可以自行处理。

计划预测后一天的数据48个，将要预测的数据保留（也就是未来未知的数据），单独提取出前面训练的数据（也就是历史数据），并对数据集进行滚动划分。跟前面文章的划分方式不同，因为是多变量，特征和标签分开划分，不然后面处理会有很多问题。

dataf = data.values[0:-48]

def create_dataset(datasetx,datasety,timesteps=36,predict_size=6):

    for each in range(len(datasetx)-timesteps - predict_steps):

        x = datasetx[each:each+timesteps,0:6]

        y = datasety[each+timesteps:each+timesteps+predict_steps,0]

    return datax, datay#np.array(datax),np.array(datay)

接着设置预测的时间步、每次预测的步长、最后总的预测步长，参数可以根据需要更改。跟前面文章不同的是，这里没有滚动预测，因为没有持续的特征传入，在实际运用有特征传入时可以滚动预测。

timesteps = 48 #构造x，为48个数据,表示每次用前48个数据作为一段

predict_steps = 48 #构造y，为48个数据，表示用后12个数据作为一段

length = 48 #预测多步，预测48个数据，每次预测48个

接着对数据进行归一化处理，跟前面文章的处理方式不同，特征和标签分开划分，并分开进行归一化处理。

datafy = dataf[:,5].reshape(25872,1)

scaler1 = MinMaxScaler(feature_range=(0,1))

scaler2 = MinMaxScaler(feature_range=(0,1))

datafx = scaler1.fit_transform(datafx)

datafy = scaler2.fit_transform(datafy)

最后对这行数据集进行划分，并将数据变换为满足模型格式要求的数据。

trainx, trainy = create_dataset(datafx,datafy,timesteps, predict_steps)

trainx = np.array(trainx)

trainy = np.array(trainy)

2 模型训练与预测

2.1 模型训练

首先搭建模型的常规操作，然后使用训练数据trainx和trainy进行训练，进行20个epochs的训练，每个batch包含200个样本。此时input_shape划分数据集时每个x的形状。

model.add(LSTM(128,input_shape=(timesteps,5),return_sequences= True))

model.add(LSTM(128,return_sequences=True))

model.add(LSTM(64,return_sequences=False))

model.compile(loss="mean_squared_error",optimizer="adam")

model.fit(trainx,trainy, epochs= 20, batch_size=200)

2.2 模型多步预测

下面介绍文章中最重要，也是真正没有未来特征的情况下预测未来标签的方法。整体的思路也就是，前面通过前48个数据训练后面的48个未来数据，预测时取出前48个数据预测未来的48个未来数据。这里与单变量预测不同，没有进行滚动预测，因为单变量预测的结果可以作为历史数据进行滚动，这里多变量只产生了预测值，并没有预测标签，不能进行滚动预测，在实际有数据源源不断时可以采用滚动预测。（里面的数据可以根据需求进行更改）

首先提取需要带入模型的数据，也就是预测前的timesteps行特征。

predict_xlist.extend(dataf[dataf.shape[0]-timesteps:dataf.shape[0],0:5].tolist())

predictx = np.array(predict_xlist[-timesteps:])

predictx = np.reshape(predictx,(1,timesteps,5))#变换格式，适应LSTM模型

准备好数据后，接着进行预测，并对预测结果进行反归一化。

lstm_predict = model.predict(predictx)

lstm_predict = scaler2.inverse_transform(lstm_predict)

predict_y.extend(lstm_predict[0])

2.3 结果可视化

计算误差，并保存预测结果，并进行可视化。

y_ture = np.array(data.values[-48:,5])

train_score = np.sqrt(mean_squared_error(y_ture,predict_y))

print("train score RMSE: %.2f"% train_score)

y_predict = pd.DataFrame(predict_y,columns=["predict"])

y_predict.to_csv("y_predict_LSTM.csv",index=False)

from itertools import cycle

plt.figure(dpi=100,figsize=(14,5))

plt.plot(y_ture,c=next(cycol),markevery=5)

plt.plot(y_predict,c=next(cycol),markevery=5)

plt.legend(['y_ture','y_predict'])