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，

LSTM 多输入多输出预测系统

—— 从数据到可解释性指标的全链路自动化方案

一、定位与价值

在工业、能源、金融等时序场景里，往往同时存在「多维观测 → 多维目标」的预测需求：输入是 10 路传感器，输出是 3 路 KPI；不仅要求精度，还要求可解释、可复现、可迭代。传统“单输入单输出”脚本已无法承载工程化落地所需的完整闭环。本文介绍的方案用 1 个主脚本即可实现：数据清洗 → 样本构造 → 深度网络训练 → 反归一化还原 → 多指标评估 → 可视化报告，全流程零人工干预，为后续在线部署、超参搜索、AutoML 提供标准化基线。

二、系统架构概览

1. 数据层
   • 统一使用 Excel 作为“事实来源”，降低跨部门沟通成本。
   • 随机乱序后按 500/100 切分训练/测试，既保证分布一致，又避免时序泄露。

1. 预处理层
   • 采用最小-最大归一化，将不同量纲输入压缩到 [0,1]，使 LSTM 梯度处于稳定区间。
   • 训练集与测试集共用同一变换参数，解决线下/线上分布漂移问题。

1. 网络层
   • 仅保留「输入 → LSTM → Dropout → 全连接 → 回归」五段式结构，兼顾速度与效果。
   • 隐藏单元数、丢弃率、学习率等超参全部外置，方便后续 Optuna 网格搜索。

1. 训练层
   • 选用 Adam + Piecewise 退火，兼顾快速收敛与后期微调；批大小 30、最大 500 epoch 在 10 万级样本内即可收敛。
   • 每次 epoch 重新打乱，抑制样本顺序带来的过拟合。

1. 评估层
   • 对 3 路输出分别计算 RMSE、MAE、MBE、R²，既看“误差大小”，也看“误差方向”，方便业务方判断系统性偏高/偏低。
   • 所有指标在反归一化后计算，保证物理量纲可读。

1. 可视化层
   • 自动为每一路输出绘制 train/test 两张对比图，并同步打印 RMSE 到标题，无需手工截图即可放入汇报 PPT。

三、核心能力拆解

①「多输入多输出」自动化形状推断

传统代码里经常硬编码 inputSize=10、outputSize=3，导致换数据就得改脚本。本方案在运行时动态读取矩阵行维，真正做到“换数据零改动”。

②「零手工」双向归一化

通过 mapminmax 的 apply/reverse 模式，训练、预测、评估、可视化四个环节全部自动还原到原始量纲，规避“线下 0.95 R²，上线 MAE 爆表”的踩坑现场。

③「可解释误差」四件套

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，

除常规 RMSE、MAE 外，额外计算 MBE（Mean Bias Error）。若 MBE 符号一致且绝对值较大，可快速定位模型是否存在系统性高估或低估，为后续纠偏提供明确方向。

④「一键出图」工程模板

循环内自动拼接 2×1 子图，统一线宽、Marker 大小、坐标轴字号，并反向 y 轴（符合工业“越小越好”的视觉习惯）。研发、测试、运维三端看到的结果格式完全一致，减少沟通摩擦。

四、落地扩展指南

1. 超参自动化

将隐藏单元数、丢弃率、学习率、DropPeriod 等变量抽离到 JSON，再配合 Optuna 或 BayesianOptimization，可在 50 次试验内把 RMSE 再降 3~8%。

1. 在线推理封装

把归一化参数 psinput、psoutput 与网络 net 一起序列化（.mat），部署时先加载参数 → 实时归一化 → predict → 反归一化，即可在 30 ms 内返回结果。

1. 多步预测改造

当前是单步回归。若业务需要预测未来 N 步，可将最后一层改为 「RegressionOutputWithTimeStep」或使用 Sequence-to-Sequence LSTM，训练逻辑不变，仅需把 t_train 扩成三维张量。

1. 异常检测插件

在输出层并行新增一个二元分类分支，利用重构误差判断当前输入是否偏离训练分布，实现“预测+异常”双任务联合学习。

五、常见坑位提示

• 时间戳泄露：若数据本身带时间列，务必在 randperm 前删除，否则会出现“用未来预测过去”。

• 归一化参数混用：测试集必须沿用训练集参数，重新 fit 会导致指标虚高。

• 图例遮挡：subplot 标题过长时易被 legend 遮挡，建议 title 用细胞数组分段，或手动调整 Position。

• 反向 y 轴误用：若业务指标“越大越好”，需删除 set(gca,'ydir','reverse')，否则视觉暗示与数值相反。

六、一分钟速跑

1. 把数据按“前 10 列输入、后 3 列输出”整理成 data.xlsx；
2. 运行主脚本，自动出 3 张图 + 12 行指标；
3. 若 RMSE 不满足业务阈值，调大 hidden units 或减小 InitialLearnRate，再跑一次即可。

七、结语

该脚本以“最小可用”为设计哲学，却在每一行细节里预埋了工程化钩子：归一化参数持久化、训练选项结构体、循环内指标打印、统一绘图模板…… 让研究员专注特征与算法，让工程师无痛接入生产。只需“换数据、调超参、再训练”三步，就能在任意多输入多输出场景里快速落地一条高性能、可解释、可扩展的 LSTM 基线。