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，

一、模型概述

本技术方案基于长短期记忆神经网络（LSTM）构建多输入多输出预测模型，通过Matlab实现端到端的数据处理、模型训练与预测分析。模型支持10个输入特征维度与3个输出预测维度的映射关系，适用于时间序列预测、多变量关联预测等场景，具备数据自动划分、归一化处理、模型可视化训练、多维度评估等完整功能模块，可快速落地多变量预测类业务需求。

二、核心功能模块解析

（一）环境初始化与数据导入模块

1. 环境清理机制：启动时自动执行环境变量重置操作，包括关闭系统报警信息、关闭所有已开启的图窗窗口、清空内存变量与命令行窗口，避免历史数据残留对模型训练产生干扰，确保每次运行均处于干净的计算环境。
2. 数据导入方式：通过读取Excel格式的数据文件（data.xlsx）实现数据源接入，支持批量加载结构化数据，数据文件需遵循"前N列输入特征+后M列输出目标"的格式规范，本方案中默认输入特征列10列、输出目标列3列，可通过参数调整适配不同数据结构。

（二）数据预处理模块

1. 训练集与测试集划分
   - 采用随机置换（randperm）算法实现数据样本的随机分割，避免因数据顺序导致的模型偏倚。
   - 固定划分比例为训练集83.3%（500个样本）、测试集16.7%（100个样本），支持通过修改索引范围调整划分比例，满足不同数据量场景需求。
   - 自动转换数据维度为模型适配格式，将输入特征与输出目标数据转换为行表示特征/目标、列表示样本的矩阵结构，符合LSTM网络输入要求。
2. 数据归一化处理
   - 采用mapminmax函数实现数据线性归一化，将输入输出数据统一映射到[0,1]区间，消除不同特征量纲差异对模型训练的影响。
   - 建立输入输出双归一化参数存储机制（psinput、psoutput），分别记录输入特征与输出目标的归一化系数，确保后续预测数据的归一化与反归一化使用相同尺度，避免误差传递。
   - 提供归一化应用（apply）与反归一化（reverse）接口，实现训练数据、测试数据、预测结果的统一尺度处理。

（三）LSTM模型构建模块

1. 网络结构设计
   - 输入层：采用sequenceInputLayer构建序列输入层，自动匹配输入特征维度，支持动态调整输入特征数量。
   - 核心层：设置LSTM隐藏层与dropout层组合，隐藏层单元数量可配置（默认180个），通过dropout层（丢弃率0.2）减少模型过拟合，提升泛化能力。
   - 输出层：采用全连接层（fullyConnectedLayer）映射到指定输出维度（默认3个），配合回归层（regressionLayer）实现连续值预测，适用于回归类预测场景。
2. 关键参数配置
   - 优化器：选用Adam梯度下降算法，具备自适应学习率特性，相比传统SGD算法收敛速度更快，对初始学习率敏感度更低。
   - 训练批次：设置批处理大小（MiniBatchSize）为30，平衡内存占用与训练效率，减少单次迭代计算量的同时保证梯度估计的稳定性。
   - 学习率策略：采用分段衰减（piecewise）学习率，初始学习率0.01，每训练250个epoch后学习率乘以0.5，实现前期快速收敛、后期精细优化。
   - 训练控制：最大训练轮次（MaxEpochs）设为500，支持训练过程中自动打乱数据（every-epoch），避免模型记忆训练数据顺序。

（四）模型训练与预测模块

1. 训练过程可视化：启动训练后自动生成训练进度图，实时展示训练损失（Loss）的变化趋势，支持直观观察模型收敛过程，便于判断训练是否提前收敛或出现过拟合。
2. 模型预测机制：训练完成后自动对训练集与测试集分别执行预测计算，生成预测结果矩阵，预测过程复用训练阶段的归一化参数，确保输入数据尺度一致性。
3. 结果反归一化：将预测得到的[0,1]区间结果通过反归一化操作转换为原始数据尺度，还原真实业务场景下的预测值，保证结果的业务可读性。

（五）模型评估与可视化模块

1. 多维度评估指标计算
   - 均方根误差（RMSE）：衡量预测值与真实值的整体偏差程度，计算每个输出维度的RMSE，量化模型预测精度。
   - 决定系数（R²）：评估模型解释数据变异的能力，R²越接近1表示模型拟合效果越好，支持判断模型对数据规律的捕捉能力。
   - 平均绝对误差（MAE）：反映预测值与真实值的平均绝对偏差，避免极端值对误差评估的过度影响，更贴近实际业务中的误差感知。
   - 平均偏差误差（MBE）：衡量预测结果的整体偏移方向，判断模型是否存在系统性高估或低估趋势。
2. 结果可视化展示
   - 针对3个输出维度分别生成对比图表，每个维度包含训练集与测试集两个子图，采用红色实线+加号标记真实值、蓝色圆点标记预测值，直观展示两者的吻合程度。
   - 图表自动标注RMSE数值、维度编号，设置坐标轴范围适配样本数量，优化图表字体、线条宽度、标记大小等视觉参数，提升结果可读性。
   - 支持图表实时刷新（drawnow），确保训练与评估过程中图表同步更新，便于实时监控模型效果。

三、模型优势与适用场景

1. 核心优势
   - 多输入多输出架构：支持同时处理多个输入特征与多个预测目标，适用于复杂多变量关联场景。
   - 自动化流程：从数据导入到结果输出全程自动化，无需人工干预数据处理环节，降低使用门槛。
   - 鲁棒性设计：通过随机数据划分、dropout正则化、分段学习率等机制，提升模型泛化能力，减少过拟合风险。
   - 全面评估体系：多维度评估指标与可视化图表结合，提供量化与定性双重评估结果，便于模型效果验证。
2. 适用场景
   - 工业过程预测：如设备多参数状态预测、生产指标关联预测等。
   - 环境监测预测：如基于多气象因子的空气质量多指标预测。
   - 经济数据预测：如基于多宏观指标的GDP、CPI等多维度经济数据预测。
   - 能源消耗预测：如建筑多区域、多时段的能源消耗同步预测。

四、使用注意事项

1. 数据格式要求：输入Excel文件需确保无缺失值、异常值，建议先进行数据清洗；输入特征与输出目标的列数需与模型参数匹配，修改数据结构后需同步调整输入输出维度参数。
2. 参数调优建议：隐藏层单元数量（numhidden_units）、批处理大小、学习率等关键参数需根据数据量大小与复杂度调整，可通过控制变量法进行对照实验，选择最优参数组合。
3. 结果解读要点：评估时需综合关注RMSE、R²、MAE、MBE四个指标，避免单一指标误导；若MBE绝对值较大，需检查数据归一化是否异常或模型是否存在结构偏差。
4. 性能优化方向：当数据量较大时，可适当减少批处理大小或降低最大训练轮次；若模型过拟合，可提高dropout丢弃率或增加训练样本数量。

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，