【MATLAB第12期】基于LSTM长短期记忆网络的多输入多输出回归预测模型思路框架，含滑动窗口， 预测未来，单步预测与多步预测对比，多步预测步数对预测结果影响分析_lstm单步预测和多步预测

【MATLAB第12期】基于LSTM（RNN作为对比）长短期记忆网络的多输入多输出回归预测模型思路框架，含滑动窗口， 预测未来，单步预测与多步预测对比，多步预测步数对预测结果影响分析

更新：2022.11.5更新RNN模型，预测结果附后

一、数据说明

本文总共1400个数据 。滑动窗口为12，预测步数为100（预测1301-1400数据）. 多步预测值为3 。

训练集输入样本数据格式： 128612 // 128612 输入 1286 *3输出
即： 样本1： 1-12 个数据 → 预测 13-15
样本2：2-13 个数据 →预测 14-16
样本1286：1286-1297 个数据 →预测1298:1300

测试集输入样本格式 10012 // 10012 输入 100*3输出
即： 样本1： 1289-1300 个数据 → 预测 1301-1303
样本2：1290-1301 个数据 → 预测 1302-1304
样本100：1388-1399 个数据 → 预测 1400-1402

%% 建立神经网络层
layers = [
    sequenceInputLayer(1,"Name","input")             % 输入特征数
    lstmLayer(20,"Name","lstm",'OutputMode','last')  % 隐藏单元
    dropoutLayer(0.1,"Name","drop")                  % 遗忘门
    fullyConnectedLayer(duobuyuce,"Name","fc")       % 全连接层
    regressionLayer("Name","regressionputput")];     % 回归输出
%% 定义训练参数
options = trainingOptions('adam', ...
    'MaxEpochs',200, ...                             % 迭代轮数
    'GradientThreshold',1, ...                       % 梯度阈值
    'InitialLearnRate',0.01, ...                     % 学习率
    'LearnRateSchedule','piecewise', ...
    'LearnRateDropPeriod',125, ...
    'LearnRateDropFactor',0.2, ...
    'Verbose',0, ...
    'MiniBatchSize',32,...                          % BatchSize批数量
    'Plots','training-progress');
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18

二、多步预测分析

研究多步预测分别为1 / 2 /3时对应的预测效果
（解释说明：若为1时，前12个数据预测后第13步数据；若为2时，前12个数据预测后第14步数据；若为3时，前12个数据预测后第15步数据）

**单步逐步预测：**YPred_1：取测试集预测结果中，100个样本中每个样本分别预测的第一个值即 (1289-1399)→1301-1400（第100次预测时，样本100：1388-1399 个数据 → 预测 1400）

**双步逐步预测：**YPred_2：取测试集预测结果中，100个样本中每个样本分别预测的第二个值即 (1289-1399)→1302-1401（删去预测的第1401值） +YPred_1预测的第一个值 1301（第100次预测时，样本100：1388-1399 个数据 → 预测 1401）

**三步逐步预测：**YPred_3：取测试集预测结果中，100个样本中每个样本分别预测的第三个值即(1289-1399)→ 1303-1402 （删去预测的第1401-1402值）+YPred_1预测的前两个值 1301-1302（第100次预测时，样本100：1388-1399 个数据 → 预测 1402）

三、预测结果分析

YPred_1预测结果
MAE = 0.0659
RMSE = 0.0813
MAPE = 0.0073
R = 0.9779
​
用训练集最后的12个值预测未来100个值

YPred_2预测结果
MAE = 0.1013
RMSE = 0.1246
MAPE = 0.0112
R = 0.9483
​
用训练集最后的12个值预测未来100个值

YPred_3预测结果
MAE = 0.1452
RMSE = 0.1770
MAPE = 0.0161
R = 0.8956
​

四、结论

通过以上可以看出， 单步预测效果要比多步（间隔）预测好。

五、预测未来思路

*（目前这部分源码还没有案例，后期会更新）
*
我们可以增大多步预测数值，来预测未来结果 ，如前面所说 ，多步预测参数为3，滑动窗口为12时，可以通过输入1388-1399预测1400-1402 。那么输入1389-1400就可以预测到1403数据了 。

有两种思路：

第一种思路预测结果会较差，即用未来预测结果预测未来 ，即我用1390-1401（此时1401为预测结果）预测1402-1404, 1391-1402预测1403-1404…… 这种思路缺点是会造成误差积累， 影响数据特征处理，最后会逐步趋于一条直线。

第二种思路预测结果，即调大多步预测值，一般适合数据量足够，且呈周期性变化，且数据趋势没有明显异常情况。如要预测未来20个值，除了调整滑动窗口，还可以增大多步预测值，如滑动窗口保持不变，多步预测设置为10 ，即我用1389-1400预测 1401-1420 ，一步到位。
第二种思路优点是短期预测结果会更接近现实，缺点是调参困难，如滑动窗口设置合理性， 以及无法预测超长期数据 ，比如总共1400数据，你想预测未来1000个数据，如果历史数据基本保持一个趋势还好， 但如果数据曲线比较复杂，就会导致训练样本数不够，或者说不具备代表性。

六、RNN预测模型

RNN参数基本与LSTM保持一致

YPred_1预测结果：

YPred_2预测结果：

YPred_3预测结果：

七、获取方式

后台私信回复“12期”可获取下载方式
有偿望理解。
后续将在此链接永久更新预测未来的案例代码，以及自己调试参数的心得，拭目以待吧！
如果觉得本文对你有帮助的话，麻烦点个关注收藏，后期会出视频操作，对数据处理这块儿进行讲解。