已知负荷数据4×24，写一组lstm负荷预测的matlab代码

以下是一个简单的LSTM负荷预测的Matlab代码示例：

% 加载数据
load('load_data.mat');
input_data = load_data(1:end-1); % 输入数据
output_data = load_data(2:end); % 输出数据

% 数据划分
train_input = input_data(1:20*24); % 训练输入数据
train_output = output_data(1:20*24); % 训练输出数据
test_input = input_data(20*24+1:end); % 测试输入数据
test_output = output_data(20*24+1:end); % 测试输出数据

% 构建LSTM模型
num_features = 1; % 特征数
num_hidden_units = 10; % LSTM隐藏单元数
num_epochs = 100; % 迭代次数

layers = [ ...
    sequenceInputLayer(num_features)
    lstmLayer(num_hidden_units,'OutputMode','last')
    fullyConnectedLayer(1)
    regressionLayer];

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

% 训练模型
net = trainNetwork(train_input,train_output,layers,options);

% 预测结果
predicted_output = predict(net,test_input);

% 可视化结果
figure;
plot(test_output);
hold on;
plot(predicted_output);
legend('Actual','Predicted');
xlabel('Time (hours)');
ylabel('Load (MW)');
title('Load Forecasting using LSTM');

在这个示例中，我们首先加载了负荷数据，并将其分成训练和测试数据集。然后，我们构建了一个包含一个LSTM层、一个全连接层和一个回归层的神经网络模型。我们使用Adam优化器训练模型，使用测试集来预测模型的性能，并使用Matlab的绘图功能可视化预测结果。