LSTM长短期记忆神经网络多输入多输出预测（Matlab） 所有程序经过验证，保证有效运行。 1.data为数据集，10个输入特征，3个输出变量。 2.MainLSTMNM.m为主程序文件。 3.命令窗口输出MAE和R2，
长短期记忆网络（LSTM）作为一种特殊的循环神经网络（RNN），在时间序列预测、多变量回归等任务中表现卓越。本文介绍一个基于 MATLAB 实现的 LSTM 多输入多输出预测模型，该模型能够同时预测多个目标变量，适用于具有复杂依赖关系的多维数据预测任务。
功能概述
本代码实现了一个完整的 LSTM 神经网络建模流程，包括数据导入、预处理、网络构建、训练、预测与结果评估。模型支持从多个输入特征预测多个输出目标，适用于如多变量时间序列预测、多目标回归等场景。
主要功能模块
- 数据准备与划分
从 Excel 文件中读取数据，随机划分为训练集和测试集。输入特征为前 10 列，输出目标为后 3 列，训练集样本数为 500，测试集为 100。
- 数据归一化处理
使用mapminmax函数将输入和输出数据归一化到 [0,1] 区间，提升模型训练稳定性与收敛速度。
- LSTM 网络结构设计
构建包含以下层的 LSTM 网络：
- 序列输入层（sequenceInputLayer）
- LSTM 层（lstmLayer），隐藏单元数为 180
- Dropout 层（dropoutLayer），丢弃率为 0.2
- 全连接层（fullyConnectedLayer），输出维度与目标变量数一致
- 回归输出层（regressionLayer）
- 模型训练配置
使用 Adam 优化器，设置批大小为 30，最大训练轮数为 500，初始学习率为 0.01，并在第 250 轮时学习率减半。训练过程中启用训练进度可视化。
- 预测与反归一化
对训练集和测试集进行预测，并将结果反归一化回原始数据尺度。
- 结果可视化与评估
对每个输出变量分别绘制训练集和测试集的真实值与预测值对比图，并计算以下评估指标：
- 均方根误差（RMSE）
- 决定系数（R²）
- 平均绝对误差（MAE）
- 平均偏差误差（MBE）
技术亮点
多输出支持
模型能够同时预测多个目标变量，适用于需要联合预测多个相关指标的复杂任务，如气象预测、股票多指标预测等。
自动化评估与可视化
代码自动对每个输出变量进行独立评估，并生成对比图表，便于直观分析模型在各输出维度上的表现。
灵活的归一化机制
采用mapminmax进行数据标准化，支持训练集与测试集使用同一套归一化参数，避免数据泄露。
可配置的网络结构
隐藏单元数、丢弃率、学习率策略等关键参数均可灵活调整，便于进行模型调优与对比实验。
适用场景
本模型适用于以下典型场景：
- 多变量时间序列预测
- 多目标回归分析
- 需要从多个输入特征预测多个相关输出的任务
- 对预测结果的可解释性与可视化有要求的科研或工业应用
总结
本文介绍的 LSTM 多输入多输出预测模型展示了如何利用 MATLAB 的深度学习工具箱构建、训练和评估一个多目标预测系统。该模型结构清晰、评估全面，具备良好的可扩展性和实用性，可作为多变量预测任务的基准实现或进一步研究的基础。
)
