【LSTM多输入多输出解决数据回归预测问题matlab】

---

引言

长短期记忆网络（Long Short-Term Memory，简称 LSTM）是一种递归神经网络（Recurrent Neural Network，简称 RNN）的变体，它在处理序列数据时表现出色，并且被广泛应用于时间序列分析、自然语言处理和语音识别等领域。

数据集res为3505的数值矩阵，有三个特征值，二个输出

LSTM 简介

LSTM 是一种特殊的 RNN，它通过引入门控机制来解决传统 RNN 的长期依赖问题。LSTM 的核心思想是在每个时间步上维护一个细胞状态（cell state），并通过输入门、遗忘门和输出门等门控单元来控制细胞状态的信息流动。

1. 输入门（input gate）：决定当前时间步的输入信息对细胞状态的影响程度。
2. 遗忘门（forgetgate）：决定上一个时间步的细胞状态对当前时间步的影响程度。
3. 细胞状态（cell state）：用于在不同时间步之间传递和存储信息。
4. 输出门（output gate）：决定细胞状态对当前时间步的输出影响程度。
5. 隐藏状态（hiddenstate）：当前时间步的输出，也是下一个时间步的输入。

LSTM 通过这些门控单元的组合和调整，能够有效地处理长序列数据，并捕捉序列中的长期依赖关系。具体门的数学公式网上有，此处只讲应用。

LSTM多输入多输出matlab实现

%%  划分训练集和测试集
temp = randperm(350);

P_train = res(temp(1: 200), 1: 3)';
T_train = res(temp(1: 200), 4: 5)';
M = size(P_train, 2);

P_test = res(temp(201: end), 1: 3)';
T_test = res(temp(201: end), 4: 5)';
N = size(P_test, 2);

%%  数据归一化
[P_train, ps_input] = mapminmax(P_train, 0, 1);
P_test = mapminmax('apply', P_test, ps_input);

[t_train, ps_output] = mapminmax(T_train, 0, 1);
t_test = mapminmax('apply', T_test, ps_output);

%%  数据平铺
P_train =  double(reshape(P_train, 3, 1, 1, M));
P_test  =  double(reshape(P_test , 3, 1, 1, N));

t_train = t_train';
t_test  = t_test' ;

%%  数据格式转换
for i = 1 : M
    p_train{i, 1} = P_train(:, :, 1, i);
end

for i = 1 : N
    p_test{i, 1}  = P_test( :, :, 1, i);
end

%%  创建模型
layers = [
    sequenceInputLayer(3)               % 建立输入层
    
    lstmLayer(64, 'OutputMode', 'last')  % LSTM层
    reluLayer                           % Relu激活层
    dropoutLayer(0.2) % 添加 Dropout 层，丢弃概率为 0.2

    lstmLayer(64, 'OutputMode', 'last')  % LSTM层
    reluLayer                           % Relu激活层
    dropoutLayer(0.2) % 添加 Dropout 层，丢弃概率为 0.2

   

    fullyConnectedLayer(2)              % 全连接层
    regressionLayer];                   % 回归层
 
%%  参数设置
options = trainingOptions('adam', ...      % Adam 梯度下降算法
    'MiniBatchSize', 30, ...               % 批大小
    'MaxEpochs', 1200, ...                 % 最大迭代次数
    'InitialLearnRate', 1e-2, ...          % 初始学习率为
    'LearnRateSchedule', 'piecewise', ...  % 学习率下降
    'LearnRateDropFactor', 0.5, ...        % 学习率下降因子
    'LearnRateDropPeriod', 800, ...        % 经过 800 次训练后 学习率为 0.01 * 0.5
    'Shuffle', 'every-epoch', ...          % 每次训练打乱数据集
    'Plots', 'training-progress', ...      % 画出曲线
    'Verbose', false);

%%  训练模型
net = trainNetwork(p_train, t_train, layers, options);

%%  仿真预测
t_sim1 = predict(net, p_train);
t_sim2 = predict(net, p_test );

%%  查看网络结构
analyzeNetwork(net)

%%  数据反归一化
T_sim1 = mapminmax('reverse', t_sim1', ps_output)';
T_sim2 = mapminmax('reverse', t_sim2', ps_output)';

for i = 1: 2
%%  均方根误差
error1(i, :) = sqrt(sum((T_sim1(:,i)' - T_train(i,:)).^2) ./ M);
error2(i, :) = sqrt(sum((T_sim2(:,i)' - T_test(i,:) ).^2) ./ N);

%%  绘图

figure
subplot(2, 1, 1)
plot(1: M, T_train(i,:), 'r-*', 1: M, T_sim1(:,i), 'b-o', 'LineWidth', 1)
legend('True value', 'Predicted value')
xlabel('Predict the sample')
ylabel('Predict the outcome')
string = {'Comparison of training set prediction results'; ['RMSE=' num2str(error1(i,:))]};
title(string)
xlim([1, M])
grid

subplot(2, 1, 2)
plot(1: N, T_test(i,:), 'r-*', 1: N, T_sim2(:,i), 'b-o', 'LineWidth', 1)
legend('True value', 'Predicted value')
xlabel('Predict the sample')
ylabel('Predict the outcome')
string = {'Comparison of test set prediction results'; ['RMSE=' num2str(error2(i,:))]};
title(string)
xlim([1, N])
grid

%%  分割线
disp('**************************')
disp(['下列是输出', num2str(i)])
disp('**************************')

%%  相关指标计算
%  R2
R1(i,:) = 1 - norm(T_train(i,:) - T_sim1(:,i)')^2 / norm(T_train(i,:) - mean(T_train(i,:)))^2;
R2(i,:) = 1 - norm(T_test(i,:)  - T_sim2(:,i)')^2 / norm(T_test(i,:)  - mean(T_test(i,:) ))^2;

disp(['The R2 of the training set data is：', num2str(R1(i,:))])
disp(['The R2 of the test set data is：', num2str(R2(i,:))])

%  MAE
mae1(i,:) = sum(abs(T_sim1(:,i)' - T_train(i,:))) ./ M ;
mae2(i,:)= sum(abs(T_sim2(:,i)' - T_test(i,:) )) ./ N ;

disp(['The MAE of the training set data is：', num2str(mae1(i,:))])
disp(['The MAE of the test set data is：', num2str(mae2(i,:))])

%  MBE
mbe1(i,:) = sum(T_sim1(:,i)' - T_train(i,:)) ./ M ;
mbe2(i,:) = sum(T_sim2(:,i)' - T_test(i,:)) ./ N ;

disp(['The MBE of the training set data is：', num2str(mbe1(i,:))])
disp(['The MBE of the test set data is：', num2str(mbe2(i,:))])

end