数据集输入格式为（748,5），输出标签为（748,2）

好的，以下是一个基于LSTM的多输出回归预测模型的MATLAB代码示例：

% 加载数据
load('data.mat'); % 假设数据集保存在 data.mat 文件中

% 划分训练集和测试集
train_ratio = 0.8; % 训练集占总数据集的比例
train_size = floor(train_ratio * size(data, 1));
train_data = data(1:train_size, :);
train_labels = labels(1:train_size, :);
test_data = data(train_size+1:end, :);
test_labels = labels(train_size+1:end, :);

% 定义LSTM网络结构
input_size = size(train_data, 2); % 输入数据维度
num_hidden_units = 128; % LSTM隐层单元数
num_output_units = size(train_labels, 2); % 输出数据维度

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

% 定义训练选项
options = trainingOptions('adam', ...
    'MaxEpochs', 100, ...
    'MiniBatchSize', 32, ...
    'InitialLearnRate', 0.01, ...
    'LearnRateSchedule', 'piecewise', ...
    'LearnRateDropFactor', 0.1, ...
    'LearnRateDropPeriod', 50, ...
    'GradientThreshold', 1, ...
    'Shuffle', 'every-epoch', ...
    'Verbose', 1, ...
    'Plots', 'training-progress');

% 训练模型
net = trainNetwork(train_data, train_labels, layers, options);

% 测试模型
test_pred = predict(net, test_data);

% 计算均方误差
mse = mean((test_pred - test_labels).^2);
disp(['均方误差：', num2str(mse)]);

以上代码中，我们使用 `sequenceInputLayer` 定义了输入层，`lstmLayer` 定义了LSTM层，`fullyConnectedLayer` 定义了全连接层，`regressionLayer` 定义了回归层。我们采用了Adam优化器，设置了最大迭代次数为100，每个mini-batch的大小为32，学习率初始值为0.01，学习率衰减因子为0.1，学习率衰减周期为50，梯度阈值为1。在训练过程中，我们打开了每个epoch的随机化，以及训练进度的可视化。

最终，我们使用训练好的模型在测试集上进行预测，并计算预测结果与真实标签之间的均方误差。