深度学习--Matlab使用LSTM长短期记忆网络对负荷进行分类

一、概述

关于LSTM同系列的前一篇文章写的是利用LSTM网络对电力负荷进行预测【LSTM预测】，其本质是sequence-to-sequence problems，序列到序列的预测应用。这里做一下sequence-to-label classification problems，序列到标签的分类应用【LSTM分类】。关于LSTM的网络特性不再赘述。

本篇博文的具体示例是对给定的电力负荷进行分类，电力负荷数据格式为每日96个数据点的一维时间序列值，每条负荷数据均对应一个类型标签，总共类别为6类。其他的例子可以参考官网给定的japaneseVowelsTrainData 案例。

负荷数据是某电力公司内部数据，鉴于保密要求，这里仅描述数据格式，负荷数据集不提供。

类别：6
数据长度：96
训练数据条数：9821
测试数据条数：2456

二、数据格式转换

首先看一下需要传到LSTM网络的训练参数格式。

trainedNet = trainNetwork(C, Y, layers, options);

它必须从序列输入层开始，C是一个包含序列或时间序列预测器的元胞数组。C是d行1列，d代表有多少个训练样本，每个训练样本又包括N行M列，N代表训练样本的数据维度，M代表序列长度，y是标签的分类向量，是categorical类型。

因此，训练数据应该转换成元胞数组，训练数据标签应该转换成categorical类型。

2.1 训练数据格式转换

代码如下所示，用XTrain和YTrain来代替上述训练网络中的C和Y。

dataStandardlized是原始数据标准化后的数据，dataStandardlizedLable是每条数据对应的类别标签，num型。获得XTrain需要通过XTrainData转换成元胞数组，XTrain每一行是一条负荷训练样本数据，即1*96的数据。

YTrain是categorical类别数组，可以通过categorial函数转换，但是输入参数时字符元胞数组，因此现将XTrainLabel转换成字符矩阵，然后再将矩阵转换成元胞数组，最后转换成categorical类型。

%提取训练样本数据
XTrainSize = 9821;
XTrainData = dataStandardlized(1:XTrainSize,:);
XTrainLabel = dataStandardlizedLable(1:XTrainSize,:);%XTrain
for i = 1:size(XTrainData,1)XTrain{i,1} = XTrainData(i,:);
end%YTrain
TrainstrLable = num2str(XTrainLabel);% num to str
for i = 1:size(XTrainData,1)% str matrix to cellTraincellLable{i,1} = TrainstrLable(i,1);
end
YTrain = categorical(TraincellLable);%cell to categorical

2.2 测试数据格式转换

测试数据格式转换方法与训练数据格式转换相同，见代码。

%提取测试样本
XTestData = dataStandardlized(1+XTrainSize:end,:);
XTestLabel = dataStandardlizedLable(1+XTrainSize:end,:);
%XTest
for i = 1:size(XTestData,1)XTest{i,1} = XTestData(i,:);
end
%YTest
TeststrLable = num2str(TestLabel);% num to str
for i = 1:size(XTestData,1)TestcellLable{i,1} = TeststrLable(i,1);% str matrix to cell
end
YTest = categorical(TestcellLable);%cell to categorical

三、网络参数设置

前面讲到了TrainNetwork的C和Y，这里描述一下网络参数 layers和options的具体配置。

3.1 layers

layers用于定义训练网络的架构，按照网络架构的先后，依次填写到layers的每一行。

首先定义LSTM网络架构：

将输入大小指定为序列大小 1（输入数据的维度,指同一时间下的数据维度）
指定具有 100 个隐含单元的双向 LSTM 层，并输出序列的最后一个元素。
指定六个类，包含大小为 1 的全连接层，后跟 softmax 层和分类层。

inputSize = 1;
numHiddenUnits = 100;
numClasses = 6;layers = [ ...sequenceInputLayer(inputSize)bilstmLayer(numHiddenUnits,'OutputMode','last')fullyConnectedLayer(numClasses)softmaxLayerclassificationLayer]

具体地：

sequenceInputLayer(inputSize)：序列输入层，指定输入维度
bilstmLayer(numHiddenUnits,'OutputMode','last')：双向LSTM层，指定隐藏节点，输出模式为‘last’即输出最后一个分类值
fullyConnectedLayer(numClasses)：全连接层，指定输出类别的个数
softmaxLayer：这层是输出各类别分类的的概率
classificationLayer：分类层，输出最后的分类结果，类似于概率竞争投票。

3.2 options

options用于指定训练网络的优化选项，通过调用trainingOptions进行设置。

此处指定训练选项：

求解器为 'adam'
梯度阈值为 1，最大轮数为 100。
100作为小批量数。
填充数据以使长度与最长序列相同，序列长度指定为 'longest'。
数据保持按序列长度排序的状态，不打乱数据。
'ExecutionEnvironment' 指定为 'cpu'，设定为'auto'表明使用GPU。

maxEpochs = 100;
miniBatchSize = 100;options = trainingOptions('adam', ...'ExecutionEnvironment','cpu', ...'GradientThreshold',1, ...'MaxEpochs',maxEpochs, ...'MiniBatchSize',miniBatchSize, ...'SequenceLength','longest', ...'Shuffle','never', ...'Verbose',0, ...'Plots','training-progress');

四、训练LSTM网络

将前面准备好的参数送入训练网络，等待训练结束。

net = trainNetwork(XTrain,YTrain,layers,options);

我这里的训练时间非常长，当然训练过程与隐藏节点数，训练数据的维度和训练次数以及电脑配置有关系，我这里单CPU训练耗时112分钟。

五、利用LSTM网络进行分类

利用标准结果和分类结果计算分类的正确率。

使用classify函数进行分类，同训练过程一样，仍然要指定小批量大小为100，指定组内数据按照最长的数据填充。

miniBatchSize = 100;
YPred = classify(net,XTest, ...'SequenceLength','longest','MiniBatchSize',miniBatchSize);
%计算分类准确度
acc = sum(YPred == YTest)./numel(YTest)