MATLAB之LSTM预测

clc
clear
%% 加载示例数据。
%chickenpox_dataset 包含一个时序，其时间步对应于月份，值对应于病例数。
%输出是一个元胞数组，其中每个元素均为单一时间步。将数据重构为行向量。
data = chickenpox_dataset;
data = [data{:}];

figure
plot（data）
xlabel（“Month“）
ylabel（“Cases“）
title（“Monthly Cases of Chickenpox“）
%% 对训练数据和测试数据进行分区。
%序列的前 90% 用于训练，后 10% 用于测试。
numTimeStepsTrain = floor（0.9*numel（data））;
dataTrain = data（1:numTimeStepsTrain+1）;
dataTest = data（numTimeStepsTrain+1:end）;
%% 标准化数据
%为了获得较好的拟合并防止训练发散，将训练数据标准化为具有零均值和单位方差。
%在预测时，您必须使用与训练数据相同的参数来标准化测试数据。
mu = mean（dataTrain）;
sig = std（dataTrain）;

dataTrainStandardized = （dataTrain - mu） / sig;
%% 准备预测变量和响应
%要预测序列在将来时间步的值，请将响应指定为将值移位了一个时间步的训练序列。
%也就是说，在输入序列的每个时间步，LSTM 网络都学习预测下一个时间步的值。
%预测变量是没有最终时间步的训练序列。
XTrain = dataTrainStandardized（1:end-1）;
YTrain = dataTrainStandardized（2:end）;
%% 定义 LSTM 网络架构
%创建 LSTM 回归网络。指定 LSTM 层有 200 个隐含单元
numFeatures = 1;
numResponses = 1;
numHiddenUnits = 200;

layers = [ ...
    sequenceInputlayer（numFeatures）
    lstmlayer（numHiddenUnits）
    fullyConnectedlayer（numResponses）
    regressionlayer];
%指定训练选项。
%将求解器设置为 ‘adam‘ 并进行 250 轮训练。
%要防止梯度爆炸，请将梯度阈值设置为 1。
%指定初始学习率 0.005，在 125 轮训练后通过乘以因子 0.2 来降低学习率。
options = trainingOptions（‘adam‘ ...
    ‘MaxEpochs‘250 ...
    ‘GradientThreshold‘1 ...
    ‘InitialLearnRate‘0.005 ...
    ‘LearnRateSchedule‘‘piecewise‘ ...
    ‘LearnRateDropPeriod‘125 ...
    ‘LearnRateDropFactor‘0.2 ...
    ‘Verbose‘0 ...
    ‘Plots‘‘training-progress‘）;
%% 训练 LSTM 网络
%使用 trainNetwork 以指定的训练选项训练 LSTM 网络。
net = trainNetwork（XTrainYTrainlayersoptions）;
%% 预测将来时间步
%要预测将来多个时间步的值，请使用 predictAndUpdateState 函数一次预测一个时间步，并在每次预测时更新网络状态。对于每次预测，使用前一次预测作为函数的输入。
%使用与训练数据相同的参数来标准化测试数据。
dataTestStandardized = （dataTest - mu） / sig;
XTest = dataTestStandardized（1:end-1）;
%要初始化网络状态，请先对训练数据 XTrain 进行预测。
%接下来，使用训练响应的最后一个时间步 YTrain（end） 进行第一次预测。
%循环其余预测并将前一次预测输入到 predictAndUpdateState。
%对于大型数据集合、长序列或大型网络，在 GPU 上进行预测计算通常比在 CPU