已知负荷数据是一个24×4的数组，写一组lstm负荷预测的matlab代码，

好的，下面是一组LSTM负荷预测的MATLAB代码，假设负荷数据是一个24×4的数组，其中第一列是时间戳：

% 加载数据
load('load_data.mat'); % 假设负荷数据是一个24×4的数组

% 划分训练集和测试集
train_ratio = 0.8; % 训练集比例
train_samples = floor(size(load_data, 1) * train_ratio); % 训练样本数量
train_data = load_data(1:train_samples, :); % 训练数据
test_data = load_data(train_samples+1:end, :); % 测试数据

% 数据归一化
train_min = min(train_data(:, 2:end), [], 'all'); % 训练数据最小值
train_max = max(train_data(:, 2:end), [], 'all'); % 训练数据最大值
train_data(:, 2:end) = (train_data(:, 2:end) - train_min) / (train_max - train_min); % 训练数据归一化
test_data(:, 2:end) = (test_data(:, 2:end) - train_min) / (train_max - train_min); % 测试数据归一化

% 构建LSTM模型
input_size = 3; % 输入维度
output_size = 1; % 输出维度
num_hidden_units = 10; % 隐藏单元数量
num_epochs = 100; % 迭代次数
batch_size = 4; % 批次大小

layers = [ ...
    sequenceInputLayer(input_size)
    lstmLayer(num_hidden_units)
    fullyConnectedLayer(output_size)
    regressionLayer];

options = trainingOptions('adam', ...
    'MaxEpochs', num_epochs, ...
    'MiniBatchSize', batch_size, ...
    'GradientThreshold', 1, ...
    'InitialLearnRate', 0.01, ...
    'LearnRateSchedule', 'piecewise', ...
    'LearnRateDropFactor', 0.1, ...
    'LearnRateDropPeriod', 50, ...
    'Verbose', 0, ...
    'Plots', 'training-progress');

% 训练LSTM模型
XTrain = prepareData(train_data(:, 2:end), input_size);
YTrain = train_data(:, end);
net = trainNetwork(XTrain, YTrain, layers, options);

% 测试LSTM模型
XTest = prepareData(test_data(:, 2:end), input_size);
YTest = test_data(:, end);
YPred = predict(net, XTest);
YPred = YPred * (train_max - train_min) + train_min; % 反归一化

% 计算均方根误差（RMSE）
rmse = sqrt(mean((YPred - YTest).^2));
disp(['Test RMSE: ' num2str(rmse)]);

% 绘制预测结果
figure;
plot(test_data(:, 1), YTest, '-o', 'DisplayName', 'Actual');
hold on;
plot(test_data(:, 1), YPred, '-o', 'DisplayName', 'Predicted');
xlabel('Time');
ylabel('Load');
legend('show');

其中，prepareData函数用于将输入数据转换为LSTM网络所需的格式：

function X = prepareData(data, input_size)
% 将输入数据转换为LSTM网络所需的格式
% data: 输入数据，形状为(N, M)
% input_size: 输入维度

N = size(data, 1) - input_size + 1;
X = zeros(N, input_size, size(data, 2));
for i = 1:N
    X(i, :, :) = data(i:i+input_size-1, :);
end
end

这段代码中，我们首先加载负荷数据，然后将数据划分为训练集和测试集，再对数据进行归一化处理。接着，我们构建了一个简单的LSTM模型，包括一个sequenceInputLayer、一个lstmLayer、一个fullyConnectedLayer和一个regressionLayer。我们使用Adam优化器进行训练，并设置了一些训练参数，如迭代次数、批次大小等。然后，我们将训练数据和标签转换为LSTM网络所需的格式，并使用trainNetwork函数进行训练。最后，我们使用测试数据测试模型，并计算均方根误差（RMSE）来评估模型的性能。最后，我们绘制了测试数据的实际负荷和LSTM模型的预测负荷。