lstm时间序列预测matlabc

【MATLAB】构建LSTM网络来做时间预测，采用多输入单输出模式，具体看代码。
现在我遇到的问题是，模型训练好以后，把测试集和训练集放进去做预测，得到的输出与训练集输出、测试集输出拟合都很好，但是我再用网络去做多步预测，结果非常糟糕，基本上只能预测正确一个数，麻烦各位老哥看看，到底该怎么修改代码。

result = xlsread('summation.xlsx');
Result1 = result(:,2);
mu = mean(Result1);
sig = std(Result1);
result1 = (Result1 - mu) / sig;
num_samples1  = length(result1 );  % 样本个数
kim = 15;                          % 步长
zim =  1;                          % 预测量
res1 = zeros(24985,16);
for i = 1: num_samples1 - kim - zim + 1
    res1(i, :) = [reshape(result1(i: i + kim - 1), 1, kim),...
        result1(i + kim + zim - 1)];
end
temp1  = 1: 1: 24985;a1 = 19988; b1 = 19989;

XTrain1 = res1(temp1(1:a1)  ,1:15)';% 训练集输入
YTrain1 = res1(temp1(1:a1)  ,16  )';% 训练集输出
XTest1  = res1(temp1(b1:end),1:15)';% 测试集输入
YTest1  = res1(temp1(b1:end),16  )';% 测试集输出

XTrain = XTrain1;YTrain = YTrain1;
XTest  = XTest1 ;YTest  = YTest1;

M = size(XTrain,2); N = size(XTest,2);
XTrain =  double(reshape(XTrain, 15, 1, 1, M));
XTest  =  double(reshape(XTest , 15, 1, 1, N));

yTrain = YTrain';
yTest  = YTest' ;
xtrain = cell(M,1);
for i = 1 : M
    xtrain{i, 1} = XTrain(:, :, 1, i);
end

xtest = cell(N,1);
for i = 1 : N
    xtest{i, 1}  = XTest( :, :, 1, i);
end
layers = [
    sequenceInputLayer(15)              % 建立输入层
    lstmLayer(20, 'OutputMode', 'last') % LSTM层
    reluLayer                           % Relu激活层
    fullyConnectedLayer(1)              % 全连接层
    regressionLayer];                   % 回归层

options = trainingOptions('adam', ...       % Adam 梯度下降算法
    'MaxEpochs', 800, ...                  % 最大训练次数
    'InitialLearnRate', 5e-3, ...           % 初始学习率
    'LearnRateSchedule', 'piecewise', ...   % 学习率下降
    'LearnRateDropFactor', 0.1, ...         % 学习率下降因子
    'LearnRateDropPeriod', 800, ...        % 经过20000次训练后 学习率为 0.005 * 0.1
    'Shuffle', 'every-epoch', ...           % 每次训练打乱数据集
    'Plots', 'training-progress', ...       % 画出曲线
    'Verbose', false);
net = trainNetwork(xtrain, yTrain, layers, options);
 
net = predictAndUpdateState(net,xtrain);
net = resetState(net);

t_sim1 = predict(net, xtrain);
t_sim2 = predict(net, xtest );
T_sim1 = sig*t_sim1 + mu;
T_sim2 = sig*t_sim2 + mu;

YTrain11 = sig*YTrain1 + mu;
YTest11  = sig*YTest1  + mu;
figure
plot(1: M, YTrain11, 'r-', 1: M, T_sim1, 'b-', 'LineWidth', 1)
legend('真实值', '预测值')
xlabel('预测样本')
ylabel('预测结果')
xlim([1, M])
grid

figure
plot(1: N, YTest11, 'r-', 1: N, T_sim2, 'b-', 'LineWidth', 1)
legend('真实值', '预测值')
xlabel('预测样本')
ylabel('预测结果')
xlim([1, N])
grid

训练集预测

img

测试集预测

img

img

多步预测

img

多步预测结果很糟糕。我代码到底哪错了，模型调参我感觉应该不需要。

参考 https://www.mathworks.com/help/deeplearning/ug/time-series-forecasting-using-deep-learning_zh_CN.html

有多方面的原因，可能要自己一步步检查下。比如数据集的问题，数据集可能不够充足或者不够多样化，导致网络无法有效地学习到长期的时间模式。或者LSTM网络结构可能不够合适，可以考虑调整网络层数、神经元数量、激活函数等参数来优化网络性能。可以尝试增加训练次数或者使用更复杂的优化算法来优化训练过程。另外，注意选择适当的损失函数和评价指标。

可能是数据集不够充足、不够多样化导致的

增加数据集试试

基于new bing部分指引作答：
根据你提供的代码，我注意到你在进行多步预测时只是简单地使用了一次predict函数来进行预测。然而，LSTM网络在多步预测时需要逐步迭代预测结果，将前一步的预测结果作为输入来预测下一步。

下面是你需要修改的代码部分，以实现多步预测：

net = predictAndUpdateState(net, xtrain);
net = resetState(net);

% 多步预测
numSteps = size(xtest, 1); % 测试集输入的时间步数
t_sim2 = zeros(numSteps, 1);
x = xtrain{end}; % 使用最后一个训练样本作为初始输入
for i = 1:numSteps
    t_pred = predict(net, x); % 预测下一步
    t_sim2(i) = sig * t_pred + mu; % 保存预测结果
    x = [x(2:end); t_pred]; % 更新输入，去掉第一个值，加入预测值
end

上述代码将使用训练集的最后一个样本作为初始输入，在每个时间步进行预测，并将预测结果保存在t_sim2中。请注意，我修改了xtest为xtrain，因为在多步预测时需要使用训练集的数据来生成预测序列。

接下来，你可以使用修改后的代码重新运行多步预测部分，并查看结果是否有所改善。希望这可以解决你的问题！

基于MATLAB的LSTM时间序列神经网络预测
可以参考下

基于MATLAB的LSTM时间序列神经网络预测_lstm神经网络matlab_m0_47037246的博客-CSDN博客 最后，我们使用训练好的模型进行时间序列的预测并评估模型的性能。我们将通过一个简单的示例来演示如何构建和训练LSTM模型，并使用该模型进行时间序列的预测。通过以上步骤，我们成功地构建了一个基于MATLAB的LSTM时间序列神经网络模型，并使用该模型进行了股票价格的预测。假设我们要预测股票价格的未来走势，我们可以使用历史的股票价格数据作为我们的训练集。然后，我们使用for循环遍历数据集，并将每个滑动窗口中的数据添加到输入序列和目标序列中。完成训练后，我们可以使用训练好的模型来进行时间序列的预测。_lstm神经网络matlab https://blog.csdn.net/m0_47037246/article/details/131507541

LSTM时间序列回归matlab实现（附代码+数据集）_lstm模型matlab代码_S.E.G的博客-CSDN博客 本文主要涉及利用matlab实现LSTM时间序列回归。_lstm模型matlab代码 https://blog.csdn.net/weixin_44598249/article/details/131183453