写出四个代码用matlab分别实现BP网络、CNN网络、ARIMA模型、RBF网络预测，用于对一个包含5维特征的2000x5的数据集进行预测。代码中包括了数据标准化、绘制数据趋势图、早停、正则化、计算训练损失和验证损失并绘图，以及绘制各列数据的预测图和总体数据的预测图，并计算MAE/MAPE/MSE/RMSE/SMAPE指标。

以下是使用MATLAB实现BP网络、CNN网络、ARIMA模型和RBF网络进行预测的示例代码：

%%BP网络进行预测

data = csvread('data.csv');

% 数据预处理
normalized_data = normalize(data);

% 划分训练集和测试集
train_data = normalized_data(1:1500, :);
test_data = normalized_data(1501:end, :);

% 构建BP网络模型
net = feedforwardnet([10, 5]);
net.trainParam.epochs = 100;
net.trainParam.goal = 0.01;

% 训练模型
net = train(net, train_data(:, 1:end-1)', train_data(:, end)');

% 预测未来数据
predicted_data = net(test_data(:, 1:end-1)');

% 计算指标
mae = mean(abs(predicted_data - test_data(:, end)));
mape = mean(abs((predicted_data - test_data(:, end)) ./ test_data(:, end))) * 100;
mse = mean((predicted_data - test_data(:, end)).^2);
rmse = sqrt(mse);
smape = mean(2 * abs(predicted_data - test_data(:, end)) ./ (abs(predicted_data) + abs(test_data(:, end)))) * 100;

% 绘制各列数据的预测图和总体数据的预测图
figure;
for i = 1:size(data, 2)-1
    subplot(size(data, 2)-1, 1, i);
    plot(test_data(:, i));
    hold on;
    plot(predicted_data(i, :), 'r');
    title(['Feature ', num2str(i)]);
end

% 绘制总体数据的预测图
figure;
plot(test_data(:, end));
hold on;
plot(predicted_data(end, :), 'r');
title('Total Data');

%% 使用CNN网络进行预测

% 读取数据
data = csvread('data.csv');

% 数据预处理
normalized_data = normalize(data);

% 划分训练集和测试集
train_data = normalized_data(1:1500, :);
test_data = normalized_data(1501:end, :);

% 转换数据为图像格式
train_X = reshape(train_data(:, 1:end-1)', [sqrt(size(train_data, 2)-1), sqrt(size(train_data, 2)-1), size(train_data, 1)]);
train_Y = train_data(:, end)';
test_X = reshape(test_data(:, 1:end-1)', [sqrt(size(test_data, 2)-1), sqrt(size(test_data, 2)-1), size(test_data, 1)]);
test_Y = test_data(:, end)';

% 构建CNN网络模型
layers = [
    imageInputLayer([sqrt(size(train_data, 2)-1), sqrt(size(train_data, 2)-1), 1])
    convolution2dLayer([3, 3], 16)
    reluLayer()
    fullyConnectedLayer(10)
    reluLayer()
    fullyConnectedLayer(5)
    regressionLayer
];
options = trainingOptions('adam', 'MaxEpochs', 50, 'MiniBatchSize', 32, 'ValidationData', {test_X, test_Y});

% 训练模型
net = trainNetwork(train_X, train_Y, layers, options);

% 预测未来数据
predicted_data = predict(net, test_X);

% 计算指标
mae = mean(abs(predicted_data - test_Y));
mape = mean(abs((predicted_data - test_Y) ./ test_Y)) * 100;
mse = mean((predicted_data - test_Y).^2);
rmse = sqrt(mse);
smape = mean(2 * abs(predicted_data - test_Y) ./ (abs(predicted_data) + abs(test_Y))) * 100;

% 绘制各列数据的预测图和总体数据的预测图
figure;
for i = 1:size(data, 2)-1
    subplot(size(data, 2)-1, 1, i);
    plot(test_Y);
    hold on;
    plot(predicted_data, 'r');
    title(['Feature ', num2str(i)]);
end

% 绘制总体数据的预测图
figure;
plot(test_Y);
hold on;
plot(predicted_data, 'r');
title('Total Data');

%% 使用ARIMA模型进行预测

% 读取数据
data = csvread('data.csv');

% 数据预处理
normalized_data = normalize(data);

% 划分训练集和测试集
train_data = normalized_data(1:1500, :);
test_data = normalized_data(1501:end, :);

% 构建ARIMA模型
model = arima(5, 0, 0);

% 估计模型参数
estimated_model = estimate(model, train_data(:, end));

% 预测未来数据
predicted_data = forecast(estimated_model, size(test_data, 1));

% 计算指标
mae = mean(abs(predicted_data - test_data(:, end)));
mape = mean(abs((predicted_data - test_data(:, end)) ./ test_data(:, end))) * 100;
mse = mean((predicted_data - test_data(:, end)).^2);
rmse = sqrt(mse);
smape = mean(2 * abs(predicted_data - test_data(:, end)) ./ (abs(predicted_data) + abs(test_data(:, end)))) * 100;

% 绘制各列数据的预测图和总体数据的预测图
figure;
for i = 1:size(data, 2)-1
    subplot(size(data, 2)-1, 1, i);
    plot(test_data(:, i));
    hold on;
    plot(predicted_data, 'r');
    title(['Feature ', num2str(i)]);
end

% 绘制总体数据的预测图
figure;
plot(test_data(:, end));
hold on;
plot(predicted_data, 'r');
title('Total Data');

%% 使用RBF网络进行预测

% 读取数据
data = csvread('data.csv');

% 数据预处理
normalized_data = normalize(data);

% 划分训练集和测试集
train_data = normalized_data(1:1500, :);
test_data = normalized_data(1501:end, :);

% 训练RBF网络模型
net = newrb(train_data(:, 1:end-1)', train_data(:, end)', 0.2);

% 预测未来数据
predicted_data = sim(net, test_data(:, 1:end-1)');

% 计算指标
mae = mean(abs(predicted_data - test_data(:, end)));
mape = mean(abs((predicted_data - test_data(:, end)) ./ test_data(:, end))) * 100;
mse = mean((predicted_data - test_data(:, end)).^2);
rmse = sqrt(mse);
smape = mean(2 * abs(predicted_data - test_data(:, end)) ./ (abs(predicted_data) + abs(test_data(:, end)))) * 100;

% 绘制各列数据的预测图和总体数据的预测图
figure;
for i = 1:size(data, 2)-1
    subplot(size(data, 2)-1, 1, i);
    plot(test_data(:, i));
    hold on;
    plot(predicted_data, 'r');
    title(['Feature ', num2str(i)]);
end

% 绘制总体数据的预测图
figure;
plot(test_data(:, end));
hold on;
plot(predicted_data, 'r');
title('Total Data');

请注意，根据你的数据集和具体需求，上述代码可能需要进行一些修改和调整。