LSTM/BiLSTM/GRU时间序列预测程序（纯代码）

最后更新于：2024-04-07 21:48:27

一、代码运行环境

需使用MATLAB2020a及更新版本。

二、程序介绍

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.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。

运行程序后，将会在命令行窗口输出迭代过程，如下图：

同时会绘制训练过程中的Loss和RMSE曲线：

并绘制多步预测结果图：

2.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。

运行程序后，将会在命令行窗口输出迭代过程，如下图：

同时会绘制训练过程中的Loss和RMSE曲线：

并绘制多步预测结果图：

3.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。

1.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

2.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

3.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

4.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

8.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。

三、快速开始

1.运行测试脚本

先在MATLAB里打开下载好的文件夹，然后运行demo_RNNs_Fore_Mul.m、demo_RNNs_Fore_Mul_TrainAndTest.m、demo_RNNs_Fore_Onestep_TrainAndTest程序，程序运行完毕后如果没报错，且正常画出预测结果图像，则说明运行环境正常，程序正确。

2.修改仿真数据/导入数据

以全部数据用于预测为例，此方法在demo_RNNs_Fore_Mul.m中演示：

复制一个demo_RNNs_Fore_Mul.m的文件副本，在这个副本里做如下修改：

（1）第一种情况，你可能想要对你自己要研究的仿真数据进行滤波测试，此时你需要对 demo_RNNs_Fore_Mul.m 脚本文件中的第1小节内容进行修改替换即可。需要注意的是，请最好保持变量名的一致，即将待预测数据命名为data，data应该是一维数据。此时数据替换完成。

（2）第二种情况，你可能是想对一段真实的数据进行滤波，此时需要根据你的文件类型的不同（excel,txt,csv等），将数据导入MATLAB的方法有所不同。同学们可以看博主针对常用文件的导入方法的这个教程，教程上未包含的数据类型，大家可以再参考这个文档。导入完成后请将这个数据命名为data。

3.实现预测

参照 demo_RNNs_Fore_Mul.m文件中第二步，根据需要调整相关参数。

运行程序即可。

四、关于完整版与试用版代码

五、获取公开版程序（需使用电脑浏览器打开）

注：公开版代码需使用MATLAB2022a及以上版本

六、获取完整版程序（使用电脑浏览器或者手机浏览器打开）

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88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）

七、完整版代码重要更新

20230601 完成初版代码

八、常见问题

问题1.运行代码提示下图警告是怎么回事？

回答1：这个警告是由于你的CUDA驱动需要重新编译GPU库，因为你的设备比库更新，那么你可能需要等待这个重新编译过程完成，这个过程通常需要5-10分钟，待库编译完成后，再运行代码就不会等这么久了。但是关掉MATLAB重新运行程序，第一次还是要等待这么久。解决这个问题的办法就是使用新版本的MATLAB，比如2022或者2023版就不会有这个问题了。