在MATLAB 2018中用深度学习进行时间序列预测

<本文翻译自matlab帮助文档，算是自己对该方法的一点理解和总结>
本例展示了如何用LSTM网络预测时间序列数据。为了预测一个序列的未来时间步长值，你可以训练一个sequence-to-sequence LSTM回归网络，其中[2]网络的响应是训练序列值移动了一个时间步长。也就是说，在输入序列的每个时间步长上，LSTM网络学习去预测下个时间步长的值。为了预测未来多个时间[2]步长的值，使用predictAndUpdateState函数去预测并更新网络状态。这个例子使用chickenpox_dataset数据集。这个例子构建了一个LSTM网络，在已知[3]前几个月样本数量的情况下，去预测未来的值。

(在Matlab2018a中用LSTM网络模型进行时间序列预测的方法有两种。
第一种：

比如已知[x1,x2,...,x10]这个序列，用[x1,x2,...,x9]作为输入，得到[x2,x3,...,x10]，
然后用x10得到x11',用x11'得到x12'，以此类推，完成预测。

第二种：

比如已知[x1,x2,...,x10,x11,...,x20]这个序列，用[x1,x2,...,x9]作为输入，得到[x2,x3,...,x10]，
然后用x10得到x11',用x11得到x12'，以此类推，得到[x11',x12',...,x20']完成预测。

个人理解中，第二种方法可能只是用来检测模型，实际中并不能预测，因为如果已知x11，再去预测x11’，似乎没有意义。
)

1. 下载序列数据
   该序列中的时间步长代表月份，值对应样本数量。把数据集变成一个行向量。
   
   
   把数据集分解：训练占90%，测试占10%。同时，按上文介绍，网络的响应是训练序列移动一个时间步长的值。
   
2. 标准化数据
   为了更好地拟合并防止训练时发散，将训练数据标准化为零均值和单位方差。使用同样的参数格式化测试数据。
   
3. 定义LSTM网络
   创建一个LSTM回归网络，指定LSTM层有200个隐藏神经元。
   
   指定训练参数。设定求解函数“adam”，训练250次。为了防止梯度爆炸，设定梯度阈值为1.指定初始学习速率为0.005，并且在125次迭代后把学习速率乘以0.2以降低学习速率。
   
4. 训练LSTM网络
   使用trainNetwork和指定的训练参数来训练LSTM网络。
   
5. 预测未来值
   为了预测未来多时间步长的值，使用predictAndUpdateState 函数。
   为了初始化网络状态，首先预测训练数据XTrain，接着，使用训练响应的最后一个值YTrain（end）做预测。循环其余预测并将之前的预测输入predictAndUpdateState。（PS:‘预测未来值这一部分感觉自己翻译的有问题’）