5.2 问题二模型的建立与求解（二）

5.1.4基于LSTM的时间序列预测模型

长短时记忆网络即LSTM网络，它是一种递归神经网络。与其他的神经网络相比，这种网络最大的不同之处就是所有的隐藏层单元并不是彼此独立存在的。各大隐藏层间不仅有密切的联系，隐藏层单元前节点的时序输入与之有非常密切的关系，该特征在处理和时序关联的数据会产生极大的影响。LSTM神经网络可以记住长期依赖关系可以克服处理长序列的数据时发生的梯度爆炸和梯度消失等问题。

LSTM的结构单元如图10所示，主要包括：输入门、输出门、遗忘门和自连接的记忆单元状态值。LSTM模型中三类门结构的核心功能即管控传递，控制何种信息可以传递至当前神经元，选择多少当前神经元的信息至下一个神经元，其取值主要取决于xt、ht和ht-1的值。

5.1.5 LSTM的时间序列预测结果

从图表中可以看出：xx根据图表写结论

5.1.6 多元回归模型的预测结果

可以用回归作图对比一下（如果不会使用MATLAB可以用SPSS）

5.1.7 LSTM时间序列模型的性能评价

根据上述测试机和训练集的相对误差来分析精确度，可以说一下误差较小。
越接近0越小

这个是训练过程图
综上所述，通过基于箱线图的数据预处理，去除异常值和缺失值；然后对处理后的数据进行描述性统计分析确定数据之间的独立性和定性趋势；然后使用斯皮尔曼相关性分析来确定各因素之间的相关性系数，可以得出xx特点，最后使用LSTM模型建立了供电量的时间序列预测模型，对2060年之前数据进行了预测，并分析了其精确度。

5.2 问题二模型的建立与求解

5.2.1基于皮尔逊系数相关性分析的降维模型

根据皮尔逊相关性绘制的热力图如图2所示，可知多个自变量与因变量综合得分的相关系数类似，由此采用因子分析降维，与因变量因子分析步骤相同，分别进行单因子，双因子、三因子，得双因子结果最好。为节省篇幅只展示双因子结果，如图3所示。即聚合为五个自变量主因子。

5.2.2基于topsis的熵权法综合评价模型

熵权法是对指标体系客观(利用已知数据）赋权的方法。指标的变异程度（方差)越小，所反映的信息量也越少(同时信息越大)，其对应的权值也应该越低。一般来说，若某个指标的信息熵越小，表明指标值得变异程度越大，提供的信息量越多，在综合评价中所能起到的作用也越大，其权重也就越大。相反，某个指标的信息熵越大，表明指标值得变异程度越小，提供的信息量也越少，在综合评价中所起到的作用也越小，其权重也就越小。

论文与代码获取

完整代码与论文的获取看下面，滴滴我！