LSTM/BiLSTM/GRU时间序列预测图形界面版软件（完整版）

最后更新于：2024-10-26 18:02:39

LSTM/BiLSTM/GRU时间序列预测图形界面版软件是专为使用LSTM/BiLSTM/GRU等RNN方法进行时间序列预测的工具。

软件中的代码在不定期更新中，不断完善和添加新的功能。

致力于实现优质、易用的程序，帮助研究人员快速实现目标

一、获取图形界面版LSTM/BiLSTM/GRU时间序列预测软件（完整版）

获取通道一（淘宝）：点击此处获取完整版程序

获取通道二（本页面）：点击下面“立即支付”按钮，付款后获取完整版代码下载链接和售后联系方式~本通道处于测试阶段，使用该通道可以额外优惠（仅需108元）。付款完成后刷新一下本页面即可看到下载链接。

（注意支付跳转失败的话，请使用浏览器打开本页面）

二、代码运行环境

MATLAB2020a以上版本

三、软件功能介绍

1.支持多种格式数据导入

支持mat、xsl、xslx格式数据的导入。

• 如果是mat文件，要求文件中只包含单个变量，且为一维数据。
• 如果是xsl/xslx文件，要求数据为单行/单列，不能包含标题。

2.多种参数设置选项。

（1）深度学习网络类型： 本软件支持三种深度学习网络：GRU，LSTM和BiLSTM。这些网络类型可以满足不同的预测需求，使得软件具有强大的预测能力和广泛的适用性。

（2）LSTM/BiLSTM/GRU层隐藏单元数： 隐藏单元的数量对应于时间步长之间记住的信息量（隐藏状态），隐藏状态可以包含来自所有先前时间步长的信息。如果该值设置过大，可能会导致过拟合。该值可以从几十到几千不等。本软件支持设置多层网络，例如输入”16,8,4“，则代表设置了三次网络，单元数分别是16、8、4

（3）最大迭代数：根据训练数据规模和模型复杂性进行设置，一般在几百到几千次。

（4）mini-banch尺寸：mini-banch是训练集的子集，用于评估损失函数的梯度和更新权重。该参数用于设置mini-banch的尺寸。

（5）梯度极限：为了防止由于梯度过大导致的训练不稳定以及“梯度爆炸”，需要设置梯度极限。这有助于在设置更高的学习率和存在异常值的情况下稳定训练。

（6）初始化学习速率：用于训练的初始学习速率。如果学习率太低，那么训练需要很长时间，如果学习率太高，那么可能无法得到最优结果。

（7）启用学习速率下降：“学习速率下降”指的是学习率每经过特定迭代次数后乘以一个因子，以实现学习速率随着训练的进行不断下降，以兼顾训练速度与训练精度。

（8）下降迭代数：每次学习速率下降所间隔的迭代数

（9）下降因子：每次学习速率下降乘以的因子数

（10）显示训练过程（需要使用完整版程序）：选中后会显示LSTM神经网络迭代过程，绘制如下图像：（建议勾选）

（11）数据归一化：选中后会在模型训练前将数据进行归一化，并在训练完成后还原。建议勾选。

（12）随机种子：选中后会设置随机种子，即每次训练结果将会保持一致。可根据实际情况勾选。

（13）绘制独立窗口图片(便于导出，需要使用完整版程序)：可以绘制预测结果对比图、Loss及RMSE值，即下述两张图：

3.三种训练与预测模式。

（1）全部数据用于多步预测：预测“不存在”的数据。在软件中指定想预测的长度，点击开始训练就可以了。效果如下（自带案例）：

此时需要你设置“预测序列长度”，也就是你想要往后预测多少个数据点。需要注意，由于此时预测的数据都是未来的未知数据，所以无法计算评估预测精度的相关参数。

（2）划分“训练-测试集”的多步预测：将全部数据按照一定比例划分成训练集和测试集，然后多步预测出于测试集相同长度的数据，并画图对比，计算若干评估指标。这种模式下结果往往并不太理想。效果如下（自带案例）：

此时需要你设置的是“训练集比例/数量”，小于1时代表训练集比例，大于1的整数时代表训练集数量。右侧的RMSE、MAPE、MAE、MSE、R代表评估预测效果（测试集预测值相对于测试集真实值）的指标。

（3）划分“训练-测试集”的单步预测：将全部数据按照一定比例划分成训练集和测试集，然后单步预测出于测试集相同长度的数据，并画图对比，计算若干评估指标。这种模式下结果往往较好。效果如下（自带案例）：

关于单步与多步的区别，大家可以看这里：答疑：时间序列预测中，单步预测与多步预测的区别？

此时需要你设置的是同样是“训练集比例/数量”，小于1时代表训练集比例，大于1的整数时代表训练集数量。右侧的RMSE、MAPE、MAE、MSE、R代表评估预测效果（测试集预测值相对于测试集真实值）的指标。

4.数据导出（需要使用完整版程序）。

点击“导出数据”：

• 可以将预测结果、训练集数据、测试集数据、残差、拟合值（拟合值仅支持划分训练-测试集的单步预测且不固定窗口长度）等导出。
• 可以自定义保存路径。
• 保存格式为Excel

四、源码介绍

注：图标代表该m文件为脚本文件，可以直接运行；图标代表函数文件，在没有输入变量的情况下无法直接运行。更详细的解释可以看这里。

1.RNNs_OfficialVersion.mlapp文件

图形界面主程序，需要在MATLAB的APPdesigner中打开。可用于使用图形界面操作LSTM/BiLSTM/GRU的时间序列预测功能。

2.Fun_RNNs_Fore_Onestep_TrainAndTest.m文件

LSTM/BiLSTM/GRU神经网络做时间序列预测“预测”的程序（单步），部分数据用来训练，剩余数据拿来做对比验证。该函数在图形界面软件中调用，是底层实现函数之一。该文件为函数文件，需调用，不能直接运行。

function [foreDataRe,info,ind,net,YTrainRe,YTestRe,XTrainRe] = Fun_RNNs_Fore_Onestep_TrainAndTest(data,numHU,dropProb,MaxEp,MiniBatch,GraThr,InitLearnRa,Plots,LearnSch,LearnRaDP,LearnRaDF,NorFlag,SeedFlag,rnnName,figflag,rTrain,indNamesCell)
% LSTM/BiLSTM/GRU神经网络做时间序列预测“预测”的程序（单步），部分数据用来训练，剩余数据拿来做对比验证
% 输入：
% data：输入的时间序列数据，类型为cell或者dat
% numHU：即numHiddenUnits，LSTM的隐含单元数。该参数可以设置为数组，表示的是构建多层网络，例如numHU=[16,8]，代表构建了两层网络结构，第一层16个隐藏单元，第二层8个隐藏单元
% dropProb：丢弃层的丢弃概率，如果不丢弃，则设置为0，最大为1
% MaxEp：即MaxEpochs，最大迭代次数
% MimiBatch：批尺寸
% GraThr：即GradientThreshold梯度极限（1）
% InitLearnRa：即InitialLearnRate初始化学习速率（0.005）
% Plots：是否画出训练过程，1为是，其他值为否
% LearnSch：即LearnRateSchedule是否在一定迭代次数后学习速率下降，1为使用， LearnSch ='piecewise'，其他值为不使用
% LearnRaDP：即LearnRateDropPeriod学习速率下降时的迭代数
% LearnRaDF：即LearnRateDropFactor学习速率下降因子，下降后变为LearnRaDF*InitLearnRa，LearnSch为0时可以赋0
% NorFlag：即Normalization Flag，设置为1时则在程序中进行数据归一化和反归一化操作，否则不进行，建议设置为1
% SeedFlag：随机种子标志，设置为1时启用随机种子
% rnnName：使用的网络名称，可选项包括：'GRU','LSTM','BiLSTM'，注意大小写
% figflag：是否画预测结果图，'on'为画图，'off'为不画
% rTrain：训练集比例/数量，rTrain<1时代表训练集比例，>1的整数时代表训练集数量.
% indNamesCell：拟进行预测评价指标名称，该变量为cell类型，其中包含的指标名称为字符串，指标名称在下边列表中：
%   目前支持的指标（2021.8.11）：
%   MSE：均方误差（Mean Square Error）
%   RMSE：均方根误差（Root Mean Square Error）
%   MAE：平均绝对误差（Mean Absolute Error）
%   MAPE：平均绝对百分比误差（Mean Absolute Percentage Error）
%   R2：决定系数（R2-R-Square）
%   如果想获取MSE、MAE两个指标，则设置：indNamesCell = {'MSE','MAE'}

% 输出：
% foreDataRe：预测值，对应测试集的Y值
% info：训练过程数据，包括TrainingLoss、TrainingRMSE、BaseLearnRate等
% ind：预测效果评价指标结果数组，其评价指标值顺序与indNamesCell一一对应
% net：训练好的神经网络
% YTrainRe：训练集的Y值
% YTestRe：测试集的Y值

3.Fun_RNNs_Fore_Mul_TrainAndTest.m文件

LSTM/BiLSTM/GRU神经网络做时间序列预测“预测”的程序（多步），部分数据用来训练，剩余数据拿来做对比验证。该函数在图形界面软件中调用，是底层实现函数之二。该文件为函数文件，需调用，不能直接运行。

function [foreDataRe,info,ind,net,YTrainRe,YTestRe,XTrainRe] = Fun_RNNs_Fore_Mul_TrainAndTest(data,numHU,dropProb,MaxEp,MiniBatch,GraThr,InitLearnRa,Plots,LearnSch,LearnRaDP,LearnRaDF,NorFlag,SeedFlag,rnnName,figflag,rTrain,indNamesCell)
% LSTM/BiLSTM/GRU神经网络做时间序列预测“预测”的程序（多步），部分数据用来训练，剩余数据拿来做对比验证
% 输入：
% data：输入的时间序列数据，类型为cell或者dat
% numHU：即numHiddenUnits，LSTM的隐含单元数
% dropProb：丢弃层的丢弃概率，如果不丢弃，则设置为0，最大为1
% MaxEp：即MaxEpochs，最大迭代次数
% MimiBatch：批尺寸
% GraThr：即GradientThreshold梯度极限（1）
% InitLearnRa：即InitialLearnRate初始化学习速率（0.005）
% Plots：是否画出训练过程，1为是，其他值为否
% LearnSch：即LearnRateSchedule是否在一定迭代次数后学习速率下降，1为使用， LearnSch ='piecewise'，其他值为不使用
% LearnRaDP：即LearnRateDropPeriod学习速率下降时的迭代数
% LearnRaDF：即LearnRateDropFactor学习速率下降因子，下降后变为LearnRaDF*InitLearnRa，LearnSch为0时可以赋0
% NorFlag：即Normalization Flag，设置为1时则在程序中进行数据归一化和反归一化操作，否则不进行，建议设置为1
% SeedFlag：随机种子标志，设置为1时启用随机种子
% rnnName：使用的网络名称，可选项包括：'GRU','LSTM','BiLSTM'，注意大小写
% figflag：是否画预测结果图，'on'为画图，'off'为不画
% rTrain：训练集比例/数量，rTrain<1时代表训练集比例，>1的整数时代表训练集数量.
% indNamesCell：拟进行预测评价指标名称，该变量为cell类型，其中包含的指标名称为字符串，指标名称在下边列表中：
%   目前支持的指标（2021.8.11）：
%   MSE：均方误差（Mean Square Error）
%   RMSE：均方根误差（Root Mean Square Error）
%   MAE：平均绝对误差（Mean Absolute Error）
%   MAPE：平均绝对百分比误差（Mean Absolute Percentage Error）
%   R2：决定系数（R2-R-Square）
%   如果想获取MSE、MAE两个指标，则设置：indNamesCell = {'MSE','MAE'}

% 输出：
% foreDataRe：预测值，对应测试集的Y值
% info：训练过程数据，包括TrainingLoss、TrainingRMSE、BaseLearnRate等
% ind：预测效果评价指标结果数组，其评价指标值顺序与indNamesCell一一对应
% net：训练好的神经网络
% YTrainRe：训练集的Y值
% YTestRe：测试集的Y值

4.Fun_RNNs_Fore_Mul.m文件

LSTM/BiLSTM/GRU神经网络做时间序列预测“预测”的程序（多步），全部数据用来训练，预测未来数据。该函数在图形界面软件中调用，是底层实现函数之三。该文件为函数文件，需调用，不能直接运行。

function [foreDataRe,info,net] = Fun_RNNs_Fore_Mul(data,PredNum,numHU,dropProb,MaxEp,MiniBatch,GraThr,InitLearnRa,Plots,LearnSch,LearnRaDP,LearnRaDF,NorFlag,SeedFlag,rnnName,figflag)
% LSTM/BiLSTM/GRU神经网络做时间序列预测“预测”的程序（多步），全部数据用来训练，预测未来数据
% 输入：
% data：输入的时间序列数据，类型为cell或者dat
% PredNum：要进行预测的步数，步长即训练用的数据的步长。
% numHU：即numHiddenUnits，LSTM的隐含单元数
% dropProb：丢弃层的丢弃概率，如果不丢弃，则设置为0，最大为1
% MaxEp：即MaxEpochs，最大迭代次数
% MimiBatch：批尺寸
% GraThr：即GradientThreshold梯度极限（1）
% InitLearnRa：即InitialLearnRate初始化学习速率（0.005）
% Plots：是否画出训练过程，1为是，其他值为否
% LearnSch：即LearnRateSchedule是否在一定迭代次数后学习速率下降，1为使用， LearnSch ='piecewise'，其他值为不使用
% LearnRaDP：即LearnRateDropPeriod学习速率下降时的迭代数
% LearnRaDF：即LearnRateDropFactor学习速率下降因子，下降后变为LearnRaDF*InitLearnRa，LearnSch为0时可以赋0
% NorFlag：即Normalization Flag，设置为1时则在程序中进行数据归一化和反归一化操作，否则不进行，建议设置为1
% SeedFlag：随机种子标志，设置为1时启用随机种子
% rnnName：使用的网络名称，可选项包括：'GRU','LSTM','BiLSTM'，注意大小写
% figflag：是否画预测结果图，'on'为画图，'off'为不画

% 输出：
% foreDataRe：预测值，对应测试集的Y值
% info：训练过程数据，包括TrainingLoss、TrainingRMSE、BaseLearnRate等
% net：训练好的神经网络

5.EvaForeEffect.m文件

用于评价时间序列预测效果各个量化指标的通用函数。该文件为函数文件，需调用，不能直接运行。

function ind = EvaForeEffect(realData,foreData,indNamesCell)
% 用于评价时间序列预测效果各个量化指标的通用函数
% 输入：
% realData：真实值
% foreData：预测值
% indNamesCell：拟进行预测评价指标名称，该变量为cell类型，其中包含的指标名称为字符串，指标名称在下边列表中：
% 目前支持的指标（2021.12.5）：
% MSE：均方误差（Mean Square Error）
% RMSE：均方根误差（Root Mean Square Error）
% MAE：平均绝对误差（Mean Absolute Error）
% MAPE：平均绝对百分比误差（Mean Absolute Percentage Error）
% R2：决定系数（R2-R-Square）
% R：相关系数
% 如果想获取MSE、MAE两个指标，则设置：indNamesCell = {'MSE','MAE'}
% 输出：
% ind：预测效果评价指标结果数组，其评价指标值顺序与indNamesCell一一对应

6.demo_RNNs_Fore_Onestep_TrainAndTest.m文件

测试Fun_RNNs_Fore_Onestep_TrainAndTest文件的脚本，演示了LSTM/BiLSTM/GRU神经网络做时间序列预测“预测”的程序（单步）的纯代码实现方法。

7.demo_RNNs_Fore_Mul_TrainAndTest.m文件

测试Fun_RNNs_Fore_Mul_TrainAndTest文件的脚本，演示了LSTM/BiLSTM/GRU神经网络做时间序列预测“预测”的程序（多步，划分训练集/测试集）的纯代码实现方法。

8.demo_RNNs_Fore_Mul.m文件

测试Fun_RNNs_Fore_Mul文件的脚本，演示了LSTM/BiLSTM/GRU神经网络做时间序列预测“预测”的程序（多步，全部数据用来训练，预测未来数据）的纯代码实现方法。

9.chickenpox.mat文件

演示案例中使用的测试数据，这是一个时间序列数据集，记录了一段时间内在某一地区每月报告的水痘病例数。

五、快速开始

请参照视频教程操作。

六、关于完整版与试用版代码

七、重要更新

20240403 可以导出支持划分训练-测试集的单步预测且不固定窗口长度情况下的训练集拟合值。

20231123（重大更新）加入了滑窗模式，即输入可以选择为固定的窗口长度，对应界面也做了调整（如下图）。（重要更新）加入了使用滑窗模式时，对训练集的评估指标计算。

20230523 （重大更新）加入BiLSTM/GRU网络；可以设置多个隐藏层；加入丢弃层，可以设置丢弃层概率；加入绘制独立窗口图片功能；评价指标增加MSE、MAE和R；修复部分已知bug；已经购买过改代码的同学可以联系老板免费获取更新~

20210908 现在可以导出训练过程的Loss曲线值、RMSE曲线值和学习率值（需要MATLAB2020及以上版本）

20201027 初始版本（试用版版本）