matlab lstm速度预测

Question

为什么LSTM训练损失一下就到0了啊，但是预测出来差距又比较大。想半天了也没发现有啥问题。

% 清除工作区和命令窗口
clc
clear

% 加载时序数据 - 该数据包含5119个时间步的观测值
load shiqusudushijian.mat 
data = matrix_data(2,:);  % 提取第二行数据作为目标序列
data(data == 0) = [];  % 移除数据中的零值

%% 数据划分 - 前5000个样本用于训练，后119个样本用于测试
dataTrain = data(1:5000);    % 定义训练数据集
dataTest = data(5001:5119);  % 定义测试数据集，用于评估模型性能

%% 数据标准化处理 - 使用训练集的统计量进行标准化
mu = mean(dataTrain);        % 计算训练数据的均值
sig = std(dataTrain);        % 计算训练数据的标准差
dataTrainStandardized = (dataTrain - mu) / sig;  % 标准化训练数据

%% 构建训练序列 - 使用t时刻的值预测t+1时刻的值
XTrain = dataTrainStandardized(1:end-1);  % 输入序列：t时刻的值
YTrain = dataTrainStandardized(2:end);    % 目标序列：t+1时刻的值

%% 构建LSTM回归模型架构
numFeatures = 1;         % 输入特征维度为1（单变量时间序列）
numResponses = 1;        % 输出维度为1（预测下一个时间步的值）
numHiddenUnits = 100;    % LSTM层的隐藏单元数量，控制模型复杂度

layers = [
    sequenceInputLayer(numFeatures)        % 序列输入层，接收时序数据
    lstmLayer(numHiddenUnits)              % LSTM层，学习时序数据中的模式
    fullyConnectedLayer(numResponses)      % 全连接层，映射LSTM输出到预测值
    regressionLayer                        % 回归层，用于连续值预测
];

%% 配置训练选项
options = trainingOptions('adam', ...
    'MaxEpochs', 200, ...                  % 最大训练轮数
    'GradientThreshold', 0.8, ...          % 梯度裁剪阈值，防止梯度爆炸
    'InitialLearnRate', 0.01, ...          % 初始学习率
    'LearnRateSchedule', 'piecewise', ...  % 分段学习率策略
    'LearnRateDropPeriod', 150, ...        % 学习率下降周期
    'ValidationFrequency', 50, ...         % 验证频率
    'Shuffle', 'every-epoch', ...          % 每轮训练打乱数据顺序
    'Verbose', 1, ...                      % 显示训练进度信息
    'Plots', 'training-progress');         % 显示训练进度图

%% 训练LSTM模型
net = trainNetwork(XTrain, YTrain, layers, options);

%% 初始化网络状态 - 使用训练数据的最后一个值作为预测起点
net = predictAndUpdateState(net, XTrain);  % 初始化网络状态
[net, YPred] = predictAndUpdateState(net, YTrain(end));  % 预测第一个未来值

%% 递归预测未来119个时间步的值
for i = 2:119
    % 使用前一个预测值更新网络状态并预测下一个值
    [net, YPred(:,i)] = predictAndUpdateState(net, YPred(:,i-1), 'ExecutionEnvironment', 'cpu');
end

%% 评估模型性能并可视化结果
YPred = sig * YPred + mu;  % 将预测结果反标准化到原始数据尺度

% 计算均方根误差 (RMSE)
rmse = sqrt(mean((YPred(1:119) - dataTest).^2));

% 绘制训练数据和预测结果
subplot(2,1,1)
plot(dataTrain(1:end))  % 绘制训练数据
hold on
idx = 5001:(5119);      % 测试数据的时间索引
plot(idx, YPred(1:119), '.-')  % 绘制预测结果
hold off
xlabel("Time")
ylabel("Case")
title("Forecast")
legend(["Observed" "Forecast"])

% 绘制完整数据集
subplot(2,1,2)
plot(data)
xlabel("Time")
ylabel("Case")
title("Dataset")

%% 详细比较预测值与实际测试数据
dataTestStandardized = (dataTest - mu) / sig;  % 标准化测试数据
XTest = dataTestStandardized(1:end-1);         % 测试输入序列
YTest = dataTest(1:end);                       % 实际测试值

% 可视化预测结果与误差
figure
subplot(2,1,1)
plot(YTest)  % 绘制实际测试值
hold on
plot(YPred, '.-')  % 绘制预测值
hold off
legend(["Observed" "Predicted"])
ylabel("Loads")
title("Forecast with Updates")

% 绘制预测误差
subplot(2,1,2)
stem(YPred - YTest)  % 绘制预测误差
xlabel("Days")
ylabel("Error")
title("RMSE = " + rmse)  % 显示均方根误差

Answer 1

阿里嘎多学长整理AIGC生成，因移动端显示问题导致当前答案未能完全显示，请使用PC端查看更加详细的解答过程

解答

LSTM网络训练损失函数下降到0，但预测结果却不准确，这可能是由于以下原因：

1. Overfitting：LSTM网络可能过拟合了训练数据，导致在测试数据上性能下降。可以尝试使用 dropout、L1/L2正则化、early stopping 等技术来防止过拟合。
2. Data quality：训练数据的质量可能不高，导致模型无法学习到有用的特征。可以检查数据是否有缺失值、异常值、噪音等问题。
3. Model complexity：LSTM网络可能太复杂，导致模型无法generalize到测试数据上。可以尝试使用更简单的模型结构或减少模型的参数数量。
4. Hyperparameter tuning：LSTM网络的超参数可能没有被正确地调整，导致模型的性能不佳。可以尝试使用 grid search、random search 或 Bayesian optimization 等方法来调整超参数。

在你的代码中，可以尝试添加 dropout 层来防止过拟合：

layers = [
    sequenceInputLayer(1,'Name','input_layer')
    lstmLayer(20,'OutputMode','sequence')
    dropoutLayer(0.2)
    fullyConnectedLayer(1)
    regressionLayer
];

也可以尝试使用 early stopping 来防止过拟合：

options = trainingOptions('adam', ...
    'MaxEpochs', 100, ...
    'MiniBatchSize', 32, ...
    'ValidationPatience', 10, ...
    'Verbose', false);

这些方法可以帮助你改进模型的性能，但需要根据具体情况进行调整。