此示例中，神经网络用于使用2011年4月至2013年2月期间的数据预测公民办公室的电力消耗。

每日数据是通过总计每天提供的15分钟间隔的消耗量来创建的。

LSTM简介

LSTM（或长短期记忆人工神经网络）允许分析具有长期依赖性的有序数据。当涉及到这项任务时，传统的神经网络体现出不足，在这方面，LSTM将用于预测这种情况下的电力消耗模式。

与ARIMA等模型相比，LSTM的一个特殊优势是数据不一定需要是稳定的（常数均值，方差和自相关），以便LSTM对其进行分析。

自相关图，Dickey-Fuller测试和对数变换

为了确定我们的模型中是否存在平稳性：

• 生成自相关和偏自相关图
  
• 进行Dickey-Fuller测试
  
• 对时间序列进行对数变换，并再次运行上述两个过程，以确定平稳性的变化（如果有的话）
  

首先，这是时间序列图：

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

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）

结论

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。