MATLAB+Elman神经网络：Excel时间序列预测完整流程

直接上干货。手里有一份Excel表格，第一列是时间序列，后面几列是特征数据，想用MATLAB训练一个Elman神经网络做预测。这个需求我在实际项目里碰到过很多次，尤其是一些做设备状态预测、销量预估、能耗分析的朋友，数据都存在Excel里，没有复杂数据库，也不想起Python那套环境，就指着MATLAB一把梭。这篇文章我就把完整流程拆开讲清楚：脚本怎么读Excel、怎么把原始数据变成Elman网络能吃的样本、怎么训练和调参、怎么评估预测效果，最后再把我踩过的坑一个一个列出来。

这篇文章特别适合三类人：一是准备做时间序列预测但更习惯MATLAB的工程师；二是课程设计或毕业设计需要“Excel数据读取+神经网络预测”完整案例的同学；三是手里有大量历史报表、想快速验证预测方案可行性的业务分析人员。不用懂太多理论基础，跟着脚本走就能把预测跑起来。

1. 整体思路与方案选型

1.1 为什么选Elman神经网络而不是普通BP网络

先说结论：预测时间序列，Elman比普通BP网络更合适。原因在于Elman是一种递归神经网络，它在隐藏层旁边多了一组“上下文单元”，会把上一时刻隐藏层的输出缓存下来，再作为当前时刻的输入一起送进网络。说白了，网络内部自带了一个“记忆”，能感知到数据在时间上的先后关系。

普通BP网络是前馈结构，它假设每个样本之间是独立的，输入和输出之间是一个静态映射。但时间序列不一样，今天的气温、销量、负载值，往往和昨天、前天甚至上周的数据有关。你用BP网络硬套，相当于让一个没有记忆的人做连续推理，他每次只能看到当前这一步，前面发生过什么全忘了。而Elman网络会把前面几步的“印象”保留下来，再结合当前特征做判断。用一个生活化的类比：BP像临时工，每次接到任务都从零开始；Elman像老师傅，手里有个工作笔记，能参考以往经验。

所以在MATLAB里做时间序列预测，Elman是一个性价比很高的选择。它比LSTM结构简单，训练速度快，数据量不大时效果也不差；比BP网络又更贴合时间序列的本质。如果你要预测的对象是负荷、温度、销量、流量这类有明显时间依赖的数据，Elman值得优先试。

1.2 为什么用Excel加脚本而不是写死数据

很多人一开始图省事，直接在MATLAB代码里写一个数组，比如data = [1,2,3,4,5]。数据量小的时候无所谓，但一旦数据变成几百行、几千行，或者业务方隔几天就要更新一次数据，这种写法就是灾难。

Excel在这里最大的价值是“可维护性”。业务人员可以像平时填报表一样维护数据，不需要懂MATLAB；你只需要保证列的顺序和约定，脚本一次写好，之后每次跑预测只改文件路径或者文件名。这样就把“数据更新”和“模型训练”彻底解耦了。脚本的作用则是把这条流水线自动化：读取、清洗、建模、评估、出图，一键完成。

整个流程概括起来就是：Excel作为数据源，脚本作为流水线，Elman网络作为预测引擎。三个角色各司其职，缺一不可。这样的结构还有一个好处：以后想换模型，比如换成LSTM或者随机森林，只需要替换中间的训练部分，前面的数据读取和后面的评估代码都可以复用。

1.3 整体流程拆解

我习惯把整个流程分成七步，每一步都有明确的输入和输出：

1. 准备Excel文件，约定好列结构，第一列是时间序列，后面各列是特征数据。
2. 用MATLAB脚本读取Excel，检查数据完整性，处理缺失值。
3. 用滑动窗口把原始时间序列构造成“输入样本+目标值”的监督学习格式。
4. 对数据进行归一化，并按照时间顺序划分训练集和测试集。
5. 构建Elman神经网络（新版MATLAB用layrecnet实现），设置隐层节点数和训练参数。
6. 训练网络，保存训练好的模型。
7. 对测试集做预测，反归一化，计算误差指标，绘图对比。

下面的章节就按这个顺序一步步来。

2. 数据准备与脚本读取Excel

2.1 Excel表结构怎么设计最省心

先说表格结构。既然标题里已经说明了：第一列放时间序列，其他列放特征数据。那我建议你按下表这种格式设计：

第一列可以是日期，也可以是纯序号1、2、3。如果第一列是日期，脚本里可能不会直接把它当作数值特征使用，更多是作为画图时的横轴；如果你想让日期参与计算，可以先用datenum转成序列号，但一般情况下不建议这么做，因为日期本身并不包含太多预测信息。后面列可以是特征，也可以是目标变量。如果你要预测的是某个具体指标，建议把目标值单独放在最后一列，这样读取之后操作起来最清楚。

我在实际中经常遇到一种情况：有人把Excel文件第一行写了表头，有人没写；有人的第一列是日期，有人第一列就是序号；还有人的Excel里混着空的单元格、甚至中文备注。这些不统一的地方，才是脚本读取时最容易翻车的地方。所以我的建议是，拿到的Excel先手动看一眼前几行，做到心里有数，再决定用readtable还是readmatrix，以及读取后要不要跳过表头。

2.2 用脚本读取Excel的两种写法

MATLAB读取Excel的常用函数有readtable、readmatrix和xlsread。xlsread比较老，新版MATLAB不推荐用，虽然还能跑，但读取速度和处理灵活性都一般。我主要说前两个。

如果你的Excel第一行是表头，我优先推荐readtable。它会自动把第一行识别成变量名，读进来的是一个table对象，用列名访问数据非常直观：

% 读取Excel dataTable = readtable('data.xlsx'); % 查看前几行，确认列名和数据格式 head(dataTable) % 提取数值部分：忽略第一列时间，把后面的特征列转为矩阵 % 假设第一列叫"时间戳"，最后一列叫"销量"，中间是特征 features = dataTable{:, 2:end-1}; % 特征列 target = dataTable{:, end}; % 目标列 timeStr = dataTable{:, 1}; % 时间列，画图用

如果你的Excel里全是数值，没有表头，或者第一行就是数据，那直接用readmatrix更省事：

% 读取纯数值Excel，第一列是时间序号，其他列是特征 data = readmatrix('data.xlsx'); % 查看数据的尺寸和大致内容 size(data) disp(data(1:5, :)) % 拆分数据 timeSeq = data(:, 1); % 第一列：时间 featMat = data(:, 2:end); % 后面的列：特征或目标

这里有个细节要特别注意：readmatrix会把所有内容按数值矩阵读入，如果Excel里有中文表头或混合文本，读取时会直接报错或者把那一列变成NaN。所以用readmatrix的前提是数据必须干净、纯数值。相比之下，readtable容错性更好，遇到非数值内容会填入NaN，不会轻易中断运行。

还有一个使用频率极高的坑：文件路径。很多人把Excel放在桌面上，MATLAB当前工作目录还在默认的matlab文件夹里，一运行就报“无法读取文件”。解决办法很简单，要么把Excel复制到当前目录，要么用绝对路径：

% 绝对路径方式 data = readmatrix('C:\Users\yourname\Desktop\data.xlsx');

2.3 数据清洗与滑动窗口样本构造

Excel数据不能指望它天生完美。最常见的几种问题：缺失值、异常值、重复值。在喂给神经网络之前，一定要处理。

处理缺失值我一般用fillmissing。时间序列的缺失值不要直接删掉，因为删掉会破坏时间连续性，更好的办法是插值：

% 对特征矩阵按列填充缺失值，线性插值 featMat = fillmissing(featMat, 'linear', 1);

如果是明显的异常跳变，比如温度突然从20度跳到80度，可以用移动中位数或者自己设定阈值去清洗。这一步看起来很基础，但直接影响预测效果。神经网络不挑数据，你喂什么它学什么，脏数据学出来的只能是脏模型。

清洗完之后，就到了最关键的环节：把原始时间序列构造成神经网络能训练的样本对。Elman虽然能记住历史信息，但并不意味着你直接把一条序列丢给它，它就能神奇地预测未来。标准的做法是“滑动窗口”，用过去的若干个时刻预测下一个时刻。

举个例子：假设你只有目标值这一列数据，序列是y1, y2, y3, y4, y5, ...。如果窗口大小设为3，那么训练样本就是：

• 输入：[y1, y2, y3]，输出：y4
• 输入：[y2, y3, y4]，输出：y5
• 输入：[y3, y4, y5]，输出：y6

这就把时间序列预测问题转化成了标准的监督学习问题。如果你Excel里还有额外特征，比如温度、湿度，也可以把对应的历史值拼到输入向量里，让模型有更多信息可用。

窗口大小（lag）的选择是有讲究的。太小，模型看不到足够的趋势；太大，输入维度暴涨，训练慢，还容易过拟合。我一般先试3、5、7，再根据效果调整。如果你有足够多的数据，还可以用自相关函数（autocorr）看几步滞后相关性最强，再决定窗口大小。

构造样本的脚本如下：

function [X, Y] = createSlidingWindow(data, lag) % data: 列向量，目标序列 % lag: 窗口大小 n = length(data); X = zeros(n - lag, lag); Y = zeros(n - lag, 1); for i = 1 : n - lag X(i, :) = data(i : i + lag - 1)'; Y(i, :) = data(i + lag); end end

如果你有多个特征，可以把每个特征的滞后值横向拼接。拼接后的每一行就是模型的一个输入样本，每一行对应一个目标值。

3. Elman神经网络搭建与训练

3.1 Elman网络结构在MATLAB里的实现方式

很多教程会让你直接用newelm，但这里必须提醒你：新版MATLAB的神经网络工具箱已经把这个函数移除了。你在新版本里运行newelm，大概率会直接报错“未定义函数或变量”。这是因为MathWorks在R2010a之后重构了神经网络工具箱，旧版API大量废弃。如果你打开的是新版本MATLAB，推荐用layrecnet，它是官方提供的层递归网络，核心思想和Elman完全一致：隐藏层的输出经过一个延迟器反馈到隐藏层输入，形成短期记忆。

layrecnet的基本用法如下：

% 构建一个带反馈的层递归网络 hiddenSizes = 12; % 隐层节点数 net = layrecnet(1, hiddenSizes, 'tansig');

第一个参数1表示反馈延迟为1步，也就是说网络会记住上一个时刻的隐层状态。这正好对应Elman网络经典的“上下文单元”。隐层激活函数用tansig，输出层默认是线性函数。如果你真想手动搭建一个Elman结构，也可以用network函数自己一个个节点接，但新手不建议这么做，直接用layrecnet就够了，底层原理一样，调试起来还省心。

训练之前还要注意一个非常关键的问题：layrecnet默认的数据划分方式是随机划分（dividerand）。时间序列最忌讳随机划分，因为那等于让模型偷看未来的数据。训练时看到的“测试集”如果混在训练集之间，评估结果会虚假地好看，但真正做预测时立刻现原形。所以必须把划分方式改成按顺序划分：

net.divideFcn = 'divideblock';

这句代码的意思是把样本按顺序切块，前一段训练、后一段测试，保持时间上的因果关系。

3.2 数据归一化与训练/测试集划分

数据不进模型之前，必须先归一化。神经网络对输入数据的尺度很敏感，如果特征数值范围差异太大，比如温度是十几、销量是几百、有的特征可能是零点几，模型训练时大数值的特征会主导梯度更新，小数值特征等于被淹没了。

归一化我用mapminmax，把数据缩放到[-1, 1]区间：

% X为输入矩阵，每行是一个样本，每列是一个特征 [Xnorm, Xps] = mapminmax(X_train', -1, 1); [Ynorm, Yps] = mapminmax(Y_train', -1, 1); % 注意：mapminmax默认按行处理，所以这里要转置 % 训练完成后，反归一化要用训练时保存的ps结构体

这里有一个很多人容易踩的坑：归一化参数只能从训练集上计算，然后用同一套参数去变换测试集。千万不要对训练集和测试集分别做mapminmax，因为那样测试集的分布信息就泄露到模型评估里了，评估结果失真。正确做法是把训练集的Xps和Yps保存下来，后面测试集预测完再用它反归一化。

训练/测试集的划分，时间序列必须按时间顺序来。比如数据一共1000个样本，可以取前800个训练，后200个测试。不能用randperm打乱。这一点我在实际评审别人代码时见过太多次，很多同学习惯性地把分类问题的随机划分带到时间序列里，结果模型表现虚高，落地一测就崩。

% 按时间顺序划分 trainLen = floor(size(X, 1) * 0.8); X_train = X(1:trainLen, :); Y_train = Y(1:trainLen, :); X_test = X(trainLen+1:end, :); Y_test = Y(trainLen+1:end, :);

3.3 模型参数设置与训练实操

数据准备好，网络选好，接下来就是训练。下面给出一段完整可复现的脚本，涵盖读取Excel、构造样本、归一化、训练和保存模型：

%% 1.读取Excel数据 data = readmatrix('data.xlsx'); values = data(:, 2); % 假设第二列是目标值，第一列是时间 feat = data(:, 3:end); % 如果有其他特征，从第三列开始 %% 2.数据清洗 values = fillmissing(values, 'linear'); %% 3.滑动窗口构造样本 lag = 5; [X, Y] = createSlidingWindow(values, lag); % 如果有其他特征，也可以拼进来 % X = [X, feat(lag+1:end, :)]; %% 4.划分训练集和测试集（按时间顺序） trainLen = floor(length(Y) * 0.8); X_train = X(1:trainLen, :); Y_train = Y(1:trainLen, :); X_test = X(trainLen+1:end, :); Y_test = Y(trainLen+1:end, :); %% 5.归一化 [Xnorm, Xps] = mapminmax(X_train', -1, 1); [Ynorm, Yps] = mapminmax(Y_train', -1, 1); Xnorm = Xnorm'; Ynorm = Ynorm'; % 注意：测试集也用训练集的ps做变换 Xtest_norm = mapminmax('apply', X_test', Xps); Xtest_norm = Xtest_norm'; %% 6.构建Elman网络（layrecnet） hiddenSizes = 15; net = layrecnet(1, hiddenSizes, 'tansig'); net.trainFcn = 'trainlm'; % Levenberg-Marquardt训练算法 net.trainParam.epochs = 500; % 最大迭代次数 net.trainParam.goal = 1e-5; % 目标误差 net.trainParam.min_grad = 1e-6; net.divideFcn = 'divideblock'; % 保持时间顺序划分 %% 7.训练网络 [net, tr] = train(net, Xnorm', Ynorm'); %% 8.保存模型 save('elman_model.mat', 'net', 'Xps', 'Yps', 'lag');

训练函数我首选trainlm（Levenberg-Marquardt），它收敛快、精度高，对小规模数据非常友好。但要注意它非常吃内存，如果样本量很大（比如几万条），trainlm可能让内存直接爆掉，这时候可以换成trainscg（量化共轭梯度法），内存占用小，速度也不慢。

隐层节点数也是一个需要反复试的参数。节点太少，网络表达能力不够，欠拟合；节点太多，模型把训练集的噪声都背下来了，测试集上表现得一塌糊涂。我给的经验是：先试12到20个节点，看训练误差和测试误差的差距。如果差距明显，说明过拟合了，减小节点数，或者把net.trainParam.mu调大一点增加正则化效果。没有万能参数，只有反复对比。

4. 预测效果评估与可视化

4.1 预测结果的反归一化

训练完成之后，拿测试集输入去预测，得到的是归一化之后的输出，必须把它还原成原始量纲，才能和真实值做对比。反归一化的时候，一定要使用训练时保存下来的Yps参数：

%% 测试集预测 Y_pred_norm = sim(net, Xtest_norm'); %% 反归一化 Y_pred = mapminmax('reverse', Y_pred_norm, Yps); Y_pred = Y_pred'; % 真实的测试目标值（之前没有归一化过） Y_true = Y_test;

反归一化这一步看着简单，实则是评估环节里最容易出错的点。有人图省事，直接对预测值再调一次mapminmax，那等于把预测结果重新映射到一个完全不同的尺度，数值全乱了。记住：归一化是一次性的，反归一化用的必须是同一个ps结构体。

4.2 用RMSE、MAE、MAPE三种指标评估

光看曲线不好量化模型好坏，还需要数值指标。我常用三个：RMSE（均方根误差）、MAE（平均绝对误差）、MAPE（平均绝对百分比误差）。它们的计算方式如下：

err = Y_true - Y_pred; RMSE = sqrt(mean(err.^2)); MAE = mean(abs(err)); MAPE = mean(abs(err ./ Y_true)) * 100; fprintf('RMSE: %.4f\n', RMSE); fprintf('MAE: %.4f\n', MAE); fprintf('MAPE: %.2f%%\n', MAPE);

三个指标各有侧重点。RMSE对大误差更敏感，因为它先平方再开方，一个特别离谱的预测会把RMSE拉得很高，适合用来发现“严重偏差”；MAE是平均绝对误差，更直观，量纲和原始数据一致；MAPE是百分比误差，方便跨数据集对比，但它的致命弱点是当真实值接近0时，MAPE会直接变成无穷大。如果你的目标值本身就是小数值或者可能为0，建议改用SMAPE或者只报告RMSE和MAE。

我自己做评估时，一般先看RMSE，再看MAPE，两个都合理才觉得模型靠谱。举个例子，假设销量预测的真实值和预测值对比下来，RMSE在30左右、MAPE在8%以内，那这个模型就有实用价值了。

如果需要更全面的拟合优度，还可以算一下R²（决定系数），也就是模型解释了多大比例的真实波动：

SS_res = sum((Y_true - Y_pred).^2); SS_tot = sum((Y_true - mean(Y_true)).^2); R2 = 1 - SS_res / SS_tot;

R²越接近1说明拟合效果越好，一般超过0.9就可以接受。

4.3 绘制预测对比图

数字指标只能给出一个总体印象，真正判断模型好坏还得看图。把训练集和测试集的真实值画成一条线，再把预测值叠加上去，一眼就能看出模型在趋势拐点处是不是跟得上。

figure; plot(1:length(Y_true), Y_true, 'b-', 'LineWidth', 1.5); hold on; plot(1:length(Y_true), Y_pred, 'r--', 'LineWidth', 1.5); legend('真实值', '预测值'); xlabel('样本序号'); ylabel('目标值'); title('Elman神经网络测试集预测结果对比'); grid on;

如果你的Excel第一列是日期，还可以把日期作为横轴画出来，实用性更强。这里有一个中文乱码的小技巧：如果图例或坐标轴中文显示成了方框，可以加一行设置中文字体：

set(gca, 'FontName', 'SimHei');

画完图之后，我会特别留意预测曲线和真实曲线在波峰、波谷处的对应关系。如果预测曲线整体上比真实曲线“慢半拍”，也就是所谓的滞后现象，那说明模型学到的主要是惯性，对突变不敏感。这种情况下，要么增加窗口长度，要么把其他相关特征（比如节假日标记、天气特征）加入输入。

5. 常见问题排查与避坑

5.1 常见问题速查表

下面这张表是我长期使用MATLAB做时间序列预测时整理出来的高频问题，按报错信息或现象快速定位问题来源。

5.2 被忽略但很重要的三个细节

第一，Excel里的日期列。如果第一列是日期文本，用readmatrix会直接读成NaN，因为日期不是纯数值；但用readtable能读成datetime类型，画图时可以直接用。所以我的建议是：有日期就优先readtable，并单独把日期列提取出来作为画图横轴，不要强行参与模型计算。

第二，时间序列千万不要随机划分数据集。我用divideblock就是为了防止训练集和测试集在时间上交错。如果模型在训练过程中见过未来数据，评估指标会显得很漂亮，但真正上线预测时效果会大打折扣。这一点几乎是时间序列新手最容易犯的错。

第三，训练前加一行rng('default')。神经网络每次初始化权重都是随机的，如果不固定随机种子，你调参时很难判断效果变好是参数动了还是纯粹运气好。固定种子之后，每次跑出来的结果一致，调参才有可比性。

5.3 两个我反复踩过的实战教训

一个是数据质量问题。有一次我拿一份生产车间的传感器数据做预测，Excel里有大量缺失值和异常跳变，当时图省事没清洗，直接送进网络训练。结果RMSE大得离谱，检查才发现有一段传感器的值连续一周都是同一个常数，模型以为这里是平台期，后面真实值突变时预测完全跟不上。从那以后我所有的数据都会先画一遍折线图，肉眼扫一遍异常，再进入建模流程。

另一个教训是归一化参数的保存。早期我训练完之后没有保存Xps和Yps，预测时重新计算了一次，导致反归一化之后的结果和训练时的尺度不一致，看起来误差特别大，查了很久才发现是归一化参数前后不统一。所以现在我的脚本一律把net、Xps、Yps、lag一起存成.mat文件，下次预测时直接加载，保证流程是一致的。

我个人实际用下来最大的体会是：这套流程里最花时间的地方往往不是模型调参，而是数据预处理和样本构造。Elman网络本身并不复杂，数据喂得干净、窗口构造合理、训练测试不串时间，预测效果基本不会差到哪里去。如果你已经跑通了单步预测，接下来可以试试多步递推预测，或者用真实值滚动更新输入，再进阶一点可以尝试小波分解加Elman的组合。这些都是在今天这套基础脚本上做的扩展，先把底子打好，后面的路会顺很多。