加载序列数据

加载示例数据。chickenpox_dataset包含单个时间序列，时间步长对应月份，值对应案例数。输出是一个单元格数组，其中每个元素都是一个时间步骤。将数据重塑为行向量。

数据= chickenpox_dataset;数据=({}):数据;图绘制(数据)包含(“月”) ylabel (“案例”)标题(“每月水痘病例”）

对训练和测试数据进行分区。训练序列的前90%，测试序列的后10%。

地板numTimeStepsTrain =(0.9 *元素个数(数据)

numTimeStepsTrain = 448

dataTrain =数据(1:numTimeStepsTrain + 1);人数(=数据(numTimeStepsTrain + 1:结束);

标准化数据

为了更好的拟合和防止训练发散，将训练数据标准化，使其均值和单位方差均为零。对于预测，必须使用与训练数据相同的参数对测试数据进行标准化。

μ=意味着(dataTrain);sig =性病(dataTrain);datatrain标准化= (datatrainmu) / sig;

准备预测因素和反应

为了预测序列的未来时间步长的值，将响应指定为平移一个时间步长的训练序列。即在输入序列的每一个时间步长，LSTM网络学习预测下一个时间步长的值。预测器是没有最后时间步长的训练序列。

XTrain = dataTrainStandardized (1: end-1);YTrain = dataTrainStandardized(2:结束);

要使用深度网络设计器训练网络，请将训练数据转换为数据存储对象。使用arrayDatastore将训练数据，预测器和反应转换成ArrayDatastore对象。使用结合合并两个数据存储。

adsXTrain = arrayDatastore (XTrain);adsYTrain = arrayDatastore (YTrain);cdsTrain =结合(adsXTrain adsYTrain);

定义LSTM网络架构

要创建LSTM网络架构，请使用深层网络设计师．的深层网络设计师应用程序可以让你建立，可视化，编辑和训练深度学习网络。

deepNetworkDesigner

在深层网络设计师开始页，暂停Sequence-to-Sequence并点击开放．这样做将打开一个适合于序列到序列分类任务的预构建网络。通过替换最后的层，可以将分类网络转换为回归网络。

删除softmax层和分类层并用回归层替换。

调整层的属性，使其适合水痘数据集。该数据只有一个输入特性和一个输出特性。选择sequenceInputLayer并设置InputSize来1．选择fullyConnectedLayer并设置OutputSize来1．

通过点击来检查你的网络分析．网络已经为训练做好了准备深度学习网络分析仪零错误报告。

导入数据

要导入训练数据存储，请选择数据选项卡并单击导入数据>导入数据存储．选择cdsTrain作为培训数据和没有一个作为验证数据。点击进口．

数据预览显示了单个输入时间序列和单个响应时间序列，每个时间序列都有448个时间步骤。

指定培训选项

在培训选项卡上,单击培训方案．集解算器来亚当，InitialLearnRate来０．００５,MaxEpochs来500．为防止渐变发生爆炸，请设置GradientThreshold来1．

有关设置培训选项的详细信息，请参见trainingOptions．

列车网络的

点击火车．

深层网络设计师显示显示训练进度的动画情节。该图显示了小批损失和准确性，验证损失和准确性，以及培训进展的附加信息。

一旦培训完成，通过点击导出培训网络出口在培训选项卡。将训练后的网络保存为trainedNetwork_1变量。

预测未来时间步骤

通过预测未来的多个时间步长来测试训练好的网络。使用predictAndUpdateState函数一次预测一个时间步骤，并在每次预测时更新网络状态。对于每个预测，使用之前的预测作为函数的输入。

使用与训练数据相同的参数对测试数据进行标准化。

datatest标准化= (dataTest - mu) / sig;XTest = dataTestStandardized (1: end-1);欧美=人数((2:结束);

要初始化网络状态，首先对训练数据进行预测XTrain．接下来，使用训练反应的最后一个时间步骤进行第一次预测YTrain(结束)．循环剩余的预测并输入之前的预测predictAndUpdateState．

对于大量数据、长序列或大型网络，GPU上的预测通常比CPU上的预测更快。否则，对CPU的预测通常计算得更快。对于单时间步长预测，使用CPU。要使用CPU进行预测，请设置“ExecutionEnvironment”选择predictAndUpdateState来“cpu”．

网= predictAndUpdateState (trainedNetwork_1 XTrain);[净,YPred] = predictAndUpdateState(净,YTrain(结束));numTimeStepsTest =元素个数(XTest);为i = 2:numTimeStepsTest [net,YPred(:，i)] = predictAndUpdateState(net,YPred(:，i))，“ExecutionEnvironment”，“cpu”)；结束

使用前面计算的参数使预测不标准化。

YPred = sig*YPred + mu;

训练进度图报告从标准化数据计算的均方根误差(RMSE)。从非标准化预测计算RMSE。

rmse =√意味着(YPred-YTest)。^ 2))

rmse =单175.9693

用预测值绘制训练时间序列。

图绘制(dataTrain (1: end-1))在idx = numTimeStepsTrain:(numTimeStepsTrain + numTimeStepsTest);情节(idx (numTimeStepsTrain) YPred][数据,“。”)举行从包含(“月”) ylabel (“案例”)标题(“预测”)传说([“观察”“预测”]）

将预测值与试验数据进行比较。

figure subplot(2,1,1) plot(YTest) hold在情节(YPred“。”)举行从传奇([“观察”“预测”]) ylabel (“案例”)标题(“预测”) subplot(2,1,2) stem(YPred - YTest) xlabel(“月”) ylabel (“错误”)标题(" RMSE = "+ rmse)

用观测值更新网络状态

如果您可以访问预测之间的实际时间步长的值，那么您可以使用观测值而不是预测值更新网络状态。

首先，初始化网络状态。要对新序列进行预测，请使用resetState．重置网络状态可以防止先前的预测影响对新数据的预测。重置网络状态，然后通过对训练数据的预测来初始化网络状态。

网= resetState(净);网= predictAndUpdateState(净,XTrain);

预测每一个时间步骤。对于每一个预测，使用前一个时间步长的观测值来预测下一个时间步长。设置“ExecutionEnvironment”选择predictAndUpdateState来“cpu”．

YPred = [];numTimeStepsTest =元素个数(XTest);为i = 1:numTimeStepsTest [net,YPred(:，i)] = predictAndUpdateState(net,XTest(:，i))，“ExecutionEnvironment”，“cpu”)；结束

使用前面计算的参数使预测不标准化。

YPred = sig*YPred + mu;

计算均方根误差(RMSE)。

rmse =√意味着(YPred-YTest)。^ 2))

rmse = 119.5968

将预测值与试验数据进行比较。

figure subplot(2,1,1) plot(YTest) hold在情节(YPred“。”)举行从传奇([“观察”“预测”]) ylabel (“案例”)标题(“与更新预测”) subplot(2,1,2) stem(YPred - YTest) xlabel(“月”) ylabel (“错误”)标题(" RMSE = "+ rmse)

在这里，当用观测值而不是预测值更新网络状态时，预测会更准确。