<本文翻譯自matlab幫助文檔，算是自己對該方法的一點理解和總結>
本例展示了如何用LSTM網絡預測時間序列數據。為了預測一個序列的未來時間步長值，你可以訓練一個sequence-to-sequence LSTM回歸網絡，其中[2]網絡的響應是訓練序列值移動了一個時間步長。也就是說，在輸入序列的每個時間步長上，LSTM網絡學習去預測下個時間步長的值。為了預測未來多個時間[2]步長的值，使用predictAndUpdateState函數去預測並更新網絡狀態。這個例子使用chickenpox_dataset數據集。這個例子構建了一個LSTM網絡，在已知[3]前幾個月樣本數量的情況下，去預測未來的值。
(在Matlab2018a中用LSTM網絡模型進行時間序列預測的方法有兩種。
第一種：
比如已知[x1,x2,...,x10]這個序列，用[x1,x2,...,x9]作為輸入，得到[x2,x3,...,x10]，
然后用x10得到x11',用x11'得到x12'，以此類推，完成預測。
- 1
- 2
第二種：
比如已知[x1,x2,...,x10,x11,...,x20]這個序列，用[x1,x2,...,x9]作為輸入，得到[x2,x3,...,x10]，
然后用x10得到x11',用x11得到x12'，以此類推，得到[x11',x12',...,x20']完成預測。
- 1
- 2
個人理解中，第二種方法可能只是用來檢測模型，實際中並不能預測，因為如果已知x11，再去預測x11’，似乎沒有意義。
)
- 下載序列數據
該序列中的時間步長代表月份，值對應樣本數量。把數據集變成一個行向量。
把數據集分解：訓練占90%，測試占10%。同時，按上文介紹，網絡的響應是訓練序列移動一個時間步長的值。
- 標准化數據
為了更好地擬合並防止訓練時發散，將訓練數據標准化為零均值和單位方差。使用同樣的參數格式化測試數據。
- 定義LSTM網絡
創建一個LSTM回歸網絡，指定LSTM層有200個隱藏神經元。
指定訓練參數。設定求解函數“adam”，訓練250次。為了防止梯度爆炸，設定梯度閾值為1.指定初始學習速率為0.005，並且在125次迭代后把學習速率乘以0.2以降低學習速率。
- 訓練LSTM網絡
使用trainNetwork和指定的訓練參數來訓練LSTM網絡。
- 預測未來值
為了預測未來多時間步長的值，使用predictAndUpdateState 函數。
為了初始化網絡狀態，首先預測訓練數據XTrain，接着，使用訓練響應的最后一個值YTrain（end）做預測。循環其余預測並將之前的預測輸入predictAndUpdateState。（PS:‘預測未來值這一部分感覺自己翻譯的有問題’）