lstm时间序列预测代码matlab

以下是一个简单的LSTM时间序列预测的MATLAB代码示例：

% 加载数据
data = csvread('data.csv');

% 划分训练集和测试集
train_data = data(1:800,:);
test_data = data(801:end,:);

% 定义LSTM网络结构和超参数
input_size = 1; % 输入维度
hidden_size = 10; % 隐藏层维度
output_size = 1; % 输出维度
num_layers = 2; % LSTM层数
learning_rate = 0.001; % 学习率
num_epochs = 100; % 训练轮数

% 定义LSTM模型
net = lstm(input_size, hidden_size, output_size, num_layers);

% 定义损失函数和优化器
criterion = mse;
optimizer = adam(net.parameters(), learning_rate);

% 训练LSTM模型
for epoch = 1:num_epochs
    % 将训练数据拆分成输入和输出
    train_input = train_data(1:end-1,:);
    train_output = train_data(2:end,:);
    
    % 将数据转换为LSTM网络输入格式
    train_input = reshape(train_input', 1, input_size, []);
    train_output = reshape(train_output', 1, output_size, []);
    
    % 前向传播和计算损失
    [outputs, states] = net.forward(train_input);
    loss = criterion(outputs, train_output);
    
    % 反向传播和更新参数
    net.zero_grad();
    loss.backward();
    optimizer.step();
    
    % 打印损失
    disp(['Epoch ', num2str(epoch), ' Loss: ', num2str(gather(loss.data))]);
end

% 测试LSTM模型
test_input = test_data(1:end-1,:);
test_output = test_data(2:end,:);
test_input = reshape(test_input', 1, input_size, []);
test_output = reshape(test_output', 1, output_size, []);
test_outputs = net.forward(test_input);

% 绘制预测结果和实际结果
figure;
plot(test_outputs.data, 'r');
hold on;
plot(test_output.data, 'b');
legend('Prediction', 'Actual');
xlabel('Time');
ylabel('Value');

其中，`lstm`函数是自定义的LSTM网络函数，`mse`是均方误差损失函数，`adam`是Adam优化器函数。在训练和测试过程中，需要将数据转换为LSTM网络的输入格式，并使用`forward`函数计算输出。最后，使用`plot`函数绘制预测结果和实际结果。