基于BiLSTM做多输入多输出的拟合预测建模，输入个输出的个数没有限制。 程序内注释详细直接替换数据就可以使用。 程序语言为matlab。 程序直接运行可以出拟合预测图，线性拟合预测图，多个预测评价指标。
在数据分析和预测领域，BiLSTM（双向长短期记忆网络）展现出了强大的能力。今天咱们就聊聊如何用Matlab基于BiLSTM做多输入多输出的拟合预测建模，而且输入和输出个数都不受限哦。
一、整体思路
BiLSTM能同时考虑序列的正向和反向信息，对于时间序列或者其他序列数据的拟合预测非常有效。我们的目标是构建一个模型，它可以接收多个输入变量，然后给出多个输出变量的预测值。
二、Matlab代码实现
% 1. 数据准备 % 假设我们有多个输入序列和对应的多个输出序列 % 这里以简单生成数据为例，实际使用中请替换为真实数据 numInputs = 3; % 输入变量个数 numOutputs = 2; % 输出变量个数 numSamples = 1000; % 样本数量 inputData = randn(numSamples, numInputs); % 生成随机输入数据 outputData = randn(numSamples, numOutputs); % 生成随机输出数据 % 划分训练集和测试集 trainRatio = 0.8; trainSize = round(trainRatio * numSamples); trainInputs = inputData(1:trainSize, :); trainOutputs = outputData(1:trainSize, :); testInputs = inputData(trainSize + 1:end, :); testOutputs = outputData(trainSize + 1:end, :); % 2. 构建BiLSTM网络 layers = [... sequenceInputLayer(numInputs) % 输入层，接收多个输入变量 bilstmLayer(50, 'OutputMode', 'last') % BiLSTM层，50个隐藏单元 fullyConnectedLayer(numOutputs) % 全连接层，输出个数与输出变量个数一致 regressionLayer]; % 回归层，用于拟合预测 % 3. 设置训练选项 options = trainingOptions('adam',... 'MaxEpochs', 100,... 'GradientThreshold', 1,... 'InitialLearnRate', 0.001,... 'LearnRateSchedule', 'piecewise',... 'LearnRateDropFactor', 0.1,... 'LearnRateDropPeriod', 10,... 'Shuffle', 'every-epoch',... 'Plots', 'training-progress'); % 4. 训练模型 net = trainNetwork(trainInputs, trainOutputs, layers, options); % 5. 预测 predictedOutputs = predict(net, testInputs); % 6. 绘制拟合预测图 figure; for i = 1:numOutputs subplot(numOutputs, 1, i); plot(testOutputs(:, i), 'b', 'DisplayName', '真实值'); hold on; plot(predictedOutputs(:, i), 'r--', 'DisplayName', '预测值'); legend; title(['输出变量 ', num2str(i), ' 的拟合预测图']); end % 7. 绘制线性拟合预测图 figure; for i = 1:numOutputs subplot(numOutputs, 1, i); scatter(testOutputs(:, i), predictedOutputs(:, i)); p = polyfit(testOutputs(:, i), predictedOutputs(:, i), 1); yfit = polyval(p, testOutputs(:, i)); plot(testOutputs(:, i), yfit, 'r-'); title(['输出变量 ', num2str(i), ' 的线性拟合预测图']); xlabel('真实值'); ylabel('预测值'); end % 8. 计算多个预测评价指标 % 以均方误差（MSE）和平均绝对误差（MAE）为例 mseValues = zeros(1, numOutputs); maeValues = zeros(1, numOutputs); for i = 1:numOutputs mseValues(i) = immse(testOutputs(:, i), predictedOutputs(:, i)); maeValues(i) = mean(abs(testOutputs(:, i) - predictedOutputs(:, i))); end fprintf('均方误差（MSE）值：\n'); disp(mseValues); fprintf('平均绝对误差（MAE）值：\n'); disp(maeValues);三、代码分析
- 数据准备部分：
- 我们首先定义了输入变量个数numInputs、输出变量个数numOutputs和样本数量numSamples。然后通过randn函数生成随机的输入和输出数据。实际应用中，你需要把这些替换为真实的数据。
- 接着按照一定比例划分了训练集和测试集，方便后续模型的训练和评估。
- 构建BiLSTM网络部分：
-sequenceInputLayer(numInputs)：定义了输入层，它接收多个输入变量。
-bilstmLayer(50, 'OutputMode', 'last')：创建了一个BiLSTM层，这里设置了50个隐藏单元，并且使用OutputMode为last，表示只输出序列最后一个时间步的隐藏状态。
-fullyConnectedLayer(numOutputs)：全连接层将BiLSTM层的输出映射到与输出变量个数相同的维度。
-regressionLayer：回归层用于拟合预测，适用于连续值输出的情况。
- 设置训练选项部分：
- 使用adam优化器，设置了最大训练轮数MaxEpochs为100，梯度阈值GradientThreshold为1，初始学习率InitialLearnRate为0.001等参数。这些参数会影响模型的训练效果和收敛速度，你可以根据实际情况调整。
- 训练模型部分：
-trainNetwork(trainInputs, trainOutputs, layers, options)：利用前面准备好的数据、构建的网络结构和设置的训练选项来训练模型。
- 预测部分：
-predict(net, testInputs)：使用训练好的模型对测试集输入数据进行预测，得到预测输出。
- 绘制拟合预测图部分：
- 通过循环绘制每个输出变量的真实值和预测值曲线，直观展示预测效果。
- 绘制线性拟合预测图部分：
- 绘制每个输出变量真实值和预测值的散点图，并通过polyfit和polyval函数进行线性拟合，进一步观察预测的准确性。
- 计算多个预测评价指标部分：
- 计算了均方误差（MSE）和平均绝对误差（MAE）来评估模型的预测性能，不同的评价指标可以从不同角度反映模型的优劣。
这样，我们就完成了基于BiLSTM的多输入多输出拟合预测建模，并通过Matlab代码实现了数据处理、模型训练、预测以及结果展示与评估。希望这篇博文能对你在相关领域的研究和应用有所帮助！
