lstm时间序列多步预测均方根误差matlab代码

以下是一个简单的LSTM时间序列多步预测的MATLAB代码示例。假设我们有一个名为data的时间序列数据，我们将使用前60个数据点来训练模型，然后使用模型对接下来10个数据点进行预测。

% 准备数据
data = % 输入你的时间序列数据
n = length(data);
train_data = data(1:60);
test_data = data(61:70);
% 定义LSTM模型
num_features = 1;
num_hidden_units = 10;
num_outputs = 1;
layers = [ ...
    sequenceInputLayer(num_features)
    lstmLayer(num_hidden_units,'OutputMode','last')
    fullyConnectedLayer(num_outputs)
    regressionLayer];
% 定义训练选项
options = trainingOptions('adam', ...
    'MaxEpochs',100, ...
    'GradientThreshold',1, ...
    'InitialLearnRate',0.01, ...
    'LearnRateSchedule','piecewise', ...
    'LearnRateDropFactor',0.1, ...
    'LearnRateDropPeriod',50, ...
    'Verbose',0);
% 训练模型
XTrain = train_data(1:end-1);
YTrain = train_data(2:end);
net = trainNetwork(XTrain,YTrain,layers,options);
% 使用模型进行多步预测
num_predictions = length(test_data);
XTest = test_data(1:end-1);
YTest = test_data(2:end);
YPred = zeros(num_outputs,num_predictions);
net = predictAndUpdateState(net,XTrain);
for i = 1:num_predictions
    [net,YPred(:,i)] = predictAndUpdateState(net,XTest(:,i),'ExecutionEnvironment','cpu');
end
% 计算均方根误差
rmse = sqrt(mean((YPred-YTest).^2));
fprintf('均方根误差: %f\n',rmse);
% 可视化结果
figure
plot(data,'b')
hold on
idx = 61:70;
plot(idx,[train_data(end); YPred],'r.-')
legend(["观测值" "预测值"])
xlabel("时间")
ylabel("值")

注意，此代码仅为示例，可能需要进行修改以适应您的具体数据和问题。