lstm预测数据的matlab代码

以下是使用LSTM网络进行时间序列预测的MATLAB代码示例：

% 导入数据
data = load('data.csv');
data = data(:, 2); % 取第二列数据
data_length = length(data);

%% 数据预处理
% 归一化
data_min = min(data);
data_max = max(data);
data_scaled = (data - data_min) / (data_max - data_min);

% 将数据转化为时间序列矩阵
sequence_length = 12; % 序列长度
data_sequence = zeros(data_length - sequence_length, sequence_length);
for i = 1:data_length - sequence_length
    data_sequence(i, :) = data_scaled(i:i + sequence_length - 1);
end

% 将数据分为训练集和测试集
train_ratio = 0.8; % 训练集比例
train_size = round((data_length - sequence_length) * train_ratio);
train_data = data_sequence(1:train_size, :);
test_data = data_sequence(train_size + 1:end, :);

% 分离输入和输出
train_input = train_data(:, 1:end - 1);
train_output = train_data(:, end);
test_input = test_data(:, 1:end - 1);
test_output = test_data(:, end);

%% LSTM网络训练
input_size = size(train_input, 2);
output_size = 1;
num_hidden_units = 32; % 隐藏层单元数
num_epochs = 50; % 迭代次数
batch_size = 32; % 批量大小

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

options = trainingOptions('adam', ...
    'MaxEpochs', num_epochs, ...
    'MiniBatchSize', batch_size, ...
    'InitialLearnRate', 0.01, ...
    'GradientThreshold', 1, ...
    'Shuffle', 'never', ...
    'Verbose', 0);

net = trainNetwork(train_input', train_output', layers, options);

%% LSTM网络预测
predicted_output = zeros(size(test_output));
for i = 1:size(test_input, 1)
    input_sequence = test_input(i, :)';
    predicted_output(i) = predict(net, input_sequence);
end

%% 反归一化
predicted_output = predicted_output * (data_max - data_min) + data_min;
test_output = test_output * (data_max - data_min) + data_min;

%% 绘制结果
figure;
plot(data);
hold on;
plot([train_size + 1:data_length], predicted_output);
hold off;
legend('原始数据', '预测数据');

这个示例使用一个LSTM网络来预测一个时间序列。首先，将数据归一化并转化为时间序列矩阵。然后，将数据分为训练集和测试集。接下来，将LSTM网络定义为一个输入序列，一个LSTM层，一个全连接层和一个回归层。最后，使用训练集训练LSTM网络，并使用测试集预测数据。最后反归一化预测输出，并将结果绘制出来。