lstm时间序列预测模型MATLAB代码

### 关于LSTM时间序列预测模型的MATLAB实现

#### 创建并训练LSTM网络用于时间序列预测

为了创建和训练一个LSTM网络来进行时间序列预测，可以遵循以下方法：

定义输入数据`data`作为时间序列中的观测值。首先准备训练数据集，这通常涉及将原始时间序列转换成适合喂入LSTM网络的形式。

% Prepare the training data.
numTimeStepsTrain = floor(0.9 * numel(data)); % 使用90%的数据来训练
dataTrain = data(1:numTimeStepsTrain);
XTrain = dataTrain(1:end-1);                   % 输入特征
YTrain = dataTrain(2:end);                     % 输出标签 (即下一个时刻的值)

% 将数据调整为四维数组形式以适应LSTM层的要求
XTrain = reshape(XTrain, 1, 1, []);
YTrain = reshape(YTrain, 1, 1, []);

% 定义LSTM网络架构
layers = [
    sequenceInputLayer(1)                      % 输入层
    lstmLayer(50,'OutputMode','sequence')      % LSTM 层，隐藏单元数量设为50
    fullyConnectedLayer(1)                     % 全连接层
    regressionLayer()];                        % 回归输出层

接着配置训练选项，并启动训练过程：

maxEpochs = 250;                               % 设置最大迭代次数
miniBatchSize = 20;
options = trainingOptions('adam', ...          % Adam优化算法
    'MaxEpochs', maxEpochs, ...
    'MiniBatchSize', miniBatchSize, ...
    'InitialLearnRate', 0.005, ...
    'GradientThreshold', 1, ...
    'Verbose', false, ...
    'Plots', 'training-progress');             % 显示训练进度图

net = trainNetwork(XTrain,YTrain,layers,options); % 开始训练网络

完成上述步骤之后，便得到了经过训练的时间序列预测模型`net`[^1]。

对于更复杂的场景或是希望提高预测精度的情况，还可以考虑引入卷积神经网络(CNN)与LSTM相结合的方式，通过CNN提取局部模式后再送入LSTM处理长期依赖关系，从而改善单一LSTM可能存在的局限性[^4]。