简介：这是一份基于MATLAB的LSTM时间序列预测模型训练资源包，面向需要掌握循环神经网络在连续数据预测中应用的研究者与工程师，可适用于股价走势、设备故障预测等带有长期依赖特征的数据场景。压缩包共14个文件，以3个MATLAB脚本为主体，分别承担带注释的模型构建、训练流程与预测函数；2个mat文件保存模型权重与中间结果，2个tif和2个jpg图像展示训练过程与预测结果对比，txt日志详细记录迭代与损失变化，xlsx文件提供待处理数据，覆盖从数据读取到结果评估的完整链路。资源包整体仅5.64MB，目前已有超过1800人浏览学习。通过对照训练曲线、结果图像与可运行脚本，读者可直观理解LSTM门控机制如何捕获长时依赖，并能在MATLAB中直接复现、调整参数，适合希望系统上手时序预测的入门及进阶学习者，对科研复现与实际工程应用均有参考价值。
1. LSTM 时间序列预测在 MATLAB 里落地：一份能直接跑通的源码包
拿到这份「142-3_LSTM」MATLAB 源码包时，我第一反应是看它到底能不能跑。解压后里面有 lstm1.m、lstm2.m 两组主脚本，一个带注释的 lstm1_youzhushi.m，两个 .mat 结果文件、训练过程截图和一份 Excel 原始数据。这不是教学 PPT，是能直接出预测对比图和误差指标的真实工程代码。它的核心任务是单变量时间序列预测：把 Excel 里的历史观测值喂给 LSTM 网络，训练后预测未来若干步。对正在做课程设计、毕业论文，或者刚接手预测任务的工程师来说，最值钱的是你能省掉从零搭网络的时间，改个数据路径就能复现整个训练与预测流程，这也是我想把它拆开讲清楚的原因。
2. 数据准备与归一化：从 Excel 到训练集/测试集分割
2.1 时间序列数据为什么要先归一化再进 LSTM
LSTM 内部的门控机制用的是 sigmoid 和 tanh 激活函数，它们的敏感区间集中在零点附近，输入落到 [-1, 1] 或 [0, 1] 区间时梯度传导最顺畅。如果原始数据跨度从几十到几万，直接喂进去，会让 sigmoid 很快进入饱和区，梯度趋近于零，训练基本走不动。这一点在预测股票价格、设备温度这类跨度大的数据时尤其明显。
常见做法是用mapminmax把数据归一到 [0, 1]。MATLAB 里的mapminmax函数默认按行处理，如果你的数据是列向量，需要先转置再处理，否则会得到按列归一化的结果，顺序全乱。我一般会在数据读入后立刻做一次size检查，确认维度方向再归一化。
% 读取数据，常见做法是取 Excel 中某一列作为观测序列 raw_data = xlsread('需要处理的数据.xlsx'); data = raw_data(:, 2); % 假设第二列是要预测的序列 % 转置后归一化到 [0,1]，ps 结构体保存归一化参数，用于后面反归一化 [data_norm, ps] = mapminmax(data', 0, 1); data_norm = data_norm';这里ps里存的是归一化用的xmin、xmax、ymin、ymax等参数。预测完成后要用mapminmax('reverse', ...)把结果还原到原始量纲，否则你拿到的 RMSE、MAE 都是归一化空间里的数字，没法直接解释。这个还原步骤很多人会忘，后面避坑章我会再提一次。
2.2 训练集与测试集分割的时间顺序问题
时间序列数据有个硬性原则：训练集和测试集不能随机打乱。LSTM 学习的是时间依赖关系，一旦把未来的数据点混进训练集，模型等于提前看到了答案，测试集上的误差会严重虚低，看起来精度很高，一上真实数据就崩。
我一般按时间顺序取前 80% 作为训练集，后 20% 作为测试集。这个比例不是绝对的，数据量大可以取 90/10，数据少要保证测试集至少有几十个点，否则评估结果波动很大。分割时还要注意，测试集的起点应该紧跟在训练集末尾，中间不能有空档，因为 LSTM 预测需要用到前序时间步的上下文。
% 按时间顺序切分，不做随机打乱 train_len = floor(0.8 * length(data_norm)); train_data = data_norm(1:train_len); test_data = data_norm(train_len+1:end);切分完成后，训练集和测试集要保持各自的归一化参数一致，也就是用训练集算出来的ps去归一化测试集，而不是对测试集单独做一次归一化。单独归一化会引入分布偏移，预测结果会偏差，这一点是时间序列预测里最容易犯且最难察觉的错误。
2.3 用滑动窗口构造 LSTM 的输入输出对
LSTM 本身接收的是序列数据，但预测任务需要把连续序列转换成监督学习格式：用前numSteps个时间步的值预测第numSteps + 1个值。这个numSteps就是滑动窗口大小，也叫滞后阶数。
窗口大小的选择直接影响模型表现。窗口太小，模型只能看到局部波动，抓不到周期和趋势；窗口太大，训练样本数量变少，而且模型参数增多，训练时间变长。对于日粒度数据，7 或 30 是常见选择；对于小时级或分钟级数据，窗口可能要取到几十甚至上百。源码包里的lstm1.m没有强制指定窗口，我建议你根据数据特性多试几组再做决定。
function [XTrain, YTrain] = createSequenceData(data, numSteps) % data: 列向量，numSteps: 滑动窗口大小 XTrain = {}; YTrain = {}; for i = 1:length(data) - numSteps XTrain{end+1, 1} = data(i : i + numSteps - 1)'; YTrain{end+1, 1} = data(i + numSteps); end end这段代码里 XTrain 的每个元素是一个1 × numSteps的行向量，YTrain 是对应的标量目标值。MATLAB 的trainNetwork要求序列数据以 cell 数组形式传入，每个 cell 是一个样本。这里的循环构造方式虽然不够向量化，但胜在直观，数据量在几千条以内时性能完全够用。如果数据量到了万级以上，建议改成矩阵切片一次性构造，避免循环拖慢速度。
3. 用 MATLAB 搭 LSTM 网络：层结构、训练选项与关键参数
3.1 LSTM 层和全连接层的搭配逻辑
MATLAB 的深度学习工具箱里，一个完整的回归网络至少包含三部分：序列输入层、LSTM 层、全连接层加回归层。sequenceInputLayer指定输入特征维度，单变量预测就是 1，多变量预测是变量个数。lstLayer的第一个参数是隐藏单元数，这个值决定了网络的记忆容量。隐藏单元数太少，模型学不到复杂的时间模式；太多，容易过拟合，训练时间也成倍增长。
我在处理中等规模时间序列（几百到几千个点）时，隐藏单元数一般从 50 到 100 之间起调。这份源码包里lstm1.m取的是 80，在大多数数据集上是一个比较稳的中间值。更重要的是OutputMode参数：'last'表示只返回最后一个时间步的输出，用于预测下一个值；'sequence'返回每个时间步的输出，用于序列到序列的任务，比如逐点预测整段序列。单步预测用'last'，这是最常见的配置。
numFeatures = 1; % 输入特征数 numHiddenUnits = 80; % 隐藏单元数 numResponses = 1; % 输出维度 layers = [ sequenceInputLayer(numFeatures) lstLayer(numHiddenUnits, 'OutputMode', 'last') fullyConnectedLayer(numResponses) regressionLayer];fullyConnectedLayer把 LSTM 输出的高维特征映射到目标维度。回归任务最后必须接regressionLayer，它会自动计算半均方误差作为损失。如果你把分类任务的classificationLayer搬过来，训练会在 loss 计算阶段直接报错。这个搭配是固定的，不需要额外加 Dropout 层，除非你明确观察到过拟合。
3.2 trainingOptions 参数逐项说明
训练选项是 LSTM 调参里最影响结果的部分。trainingOptions里能配置的东西很多，但真正需要反复调的核心参数是：求解器、初始学习率、最大迭代轮数和梯度阈值。
求解器目前默认推荐'adam'，它对学习率的敏感度比'sgdm'低，收敛也更平稳。初始学习率 0.005 是一个不错的起点，太大会让 loss 在最优解附近震荡，太小则收敛极慢，跑几百个 epoch 都下不去。梯度阈值GradientThreshold是防止梯度爆炸的保险丝，设 1 是常见做法，尤其在序列较长时，梯度累积容易超出数值范围。
options = trainingOptions('adam', ... 'MaxEpochs', 200, ... 'MiniBatchSize', 32, ... 'InitialLearnRate', 0.005, ... 'GradientThreshold', 1, ... 'Shuffle', 'never', ... 'Plots', 'training-progress', ... 'Verbose', 1);MiniBatchSize控制每轮迭代喂给网络的样本数量。32 是起步值，样本多可以调到 64 或 128，但注意批大小越大，训练越快，模型泛化未必更好。Shuffle这里设成'never'，这是时间序列训练的一个关键细节：不能随机打乱样本顺序，因为序列样本之间存在时间依赖，打乱会破坏训练集内部的时间结构，导致 loss 曲线异常跳动。
3.3 从 lstm1.m 看完整训练代码与执行流程
源码包里的lstm1.m走的是标准流程：读数据、归一化、切分、构造序列对、定义网络、设置选项、训练、预测、反归一化、画图。这里我把完整流程串起来，方便你对照自己的数据改造。
%% 1. 数据读取与预处理 raw = xlsread('需要处理的数据.xlsx'); data = raw(:, 2); [data_norm, ps] = mapminmax(data', 0, 1); data_norm = data_norm'; %% 2. 切分训练/测试 train_len = floor(0.8 * length(data_norm)); train_data = data_norm(1:train_len); test_data = data_norm(train_len+1:end); %% 3. 构造序列样本 numSteps = 7; [XTrain, YTrain] = createSequenceData(train_data, numSteps); [XTest, YTest] = createSequenceData(test_data, numSteps); %% 4. 定义网络 numHiddenUnits = 80; layers = [ sequenceInputLayer(1) lstLayer(numHiddenUnits, 'OutputMode', 'last') fullyConnectedLayer(1) regressionLayer]; %% 5. 训练选项 options = trainingOptions('adam', ... 'MaxEpochs', 200, ... 'MiniBatchSize', 32, ... 'InitialLearnRate', 0.005, ... 'GradientThreshold', 1, ... 'Shuffle', 'never', ... 'Plots', 'training-progress', ... 'Verbose', 1); %% 6. 训练 net = trainNetwork(XTrain, YTrain, layers, options); %% 7. 预测与反归一化 YPred = predict(net, XTest); YPred_raw = mapminmax('reverse', YPred, ps); %% 8. 评估 rmse = sqrt(mean((YPred_raw - YTest_raw).^2));注意第 7 步预测出来的是归一化后的值，必须用训练时的ps反归一化回去，再和原始量纲的真实值做对比。如果这里直接拿归一化值和原始值算 RMSE，结果会小得离谱，看上去精度很高，其实是错的。这一步错的人最多，后面避坑章我会专门展开。
lstm1_youzhushi.m从文件名看是带注释的版本，适合第一次接触这套代码时逐行阅读。lstm2.m的差异大概率在窗口大小或网络结构上，跑完两个脚本对比结果，能直观看到参数变化对预测精度的影响，这是学习 LSTM 调参最好的方式。
4. 训练与预测：读懂 loss 曲线、预测结果与保存
4.1 训练过程截图里应该看什么
源码包里有两张训练过程截图，训练过程1.jpg 和训练过程2.jpg，还有两个对应的 .txt 训练日志。这些文件不是给你看的装饰品，是判断训练是否正常的核心依据。
第一眼看 loss 曲线是否持续下降。正常训练中，loss 会先快速下降，然后缓慢趋平，最后在一个小区间内波动。如果 loss 在某个 epoch 后突然飙升，大概率是学习率太大或者梯度爆炸。第二眼看最终 RMSE 的量级，要和归一化后的数据范围对比，如果 RMSE 是 0.1 而数据本身范围是 0 到 1，说明还是有很大的提升空间。
训练日志里的文本信息同样有用。Verbose设为 1 时，MATLAB 会每隔一定轮数打印训练 loss 和验证 loss。如果日志中训练 loss 一直在降但验证 loss 在上升，这就是典型的过拟合信号，此时应该增大训练数据量、减小隐藏单元数或者引入正则化。
4.2 用 predict 做预测时要注意的输入格式
predict和trainNetwork一样，要求输入是 cell 数组，每个 cell 是一个序列样本。很多人在预测阶段直接把矩阵喂进去，MATLAB 会报维度错误。
% 预测测试集 YPred = predict(net, XTest);预测完成后，如果网络结构里OutputMode设的是'last'，YPred是一个列向量，长度等于测试样本数。如果设的是'sequence'，输出会包含每个时间步的预测值，形状完全不一样。所以在评估前先size(YPred)看一眼，避免后面绘图时维度对不上。反归一化时，mapminmax('reverse', YPred, ps)的结果也要检查一下量纲是否落在原始数据的合理范围内。
4.3 jieguo.mat 结果文件里存了什么
jieguo1.mat和jieguo2.mat是训练好的结果文件，加载后里面一般是预测值、真实值和误差向量。你可以直接用load命令读进来绘图，不用重新训练。
load('jieguo1.mat'); figure; plot(真实值); hold on; plot(预测值); legend('真实值', '预测值');用这两个文件做对比实验最方便的地方是：你可以合并lstm1.m和lstm2.m的预测结果，画出两组预测曲线和真实曲线的对比图。如果lstm1用的是 80 个隐藏单元、lstm2用的是 50 个，测试集上的 RMSE 差异一眼就看出来。2-结果.tif 和 1-结果.tif 这两张图就是现成的对比结果，拿来写报告或者论文插图完全够用。
5. 避坑手册：LSTM 时间序列预测的五个典型翻车现场
5.1 归一化范围泄漏，预测结果整体偏移
现象：训练过程正常，loss 也不高，但反归一化后的预测曲线和真实曲线整体偏离一个固定常数，形状对得上，数值对不上。
原因：测试集单独做了一次归一化，或者反归一化时用了错误的ps参数。测试集的分布和训练集不一致，导致反归一化到原始量纲时出现系统性偏移。
解决：训练集归一化时保存ps结构体，测试集直接调用mapminmax('apply', test_data, ps)使用训练集的参数，反归一化同样只用这个ps。一句话总结：归一化参数只从训练集学一次，全流程复用。
5.2Shuffle设成'every-epoch'，训练曲线剧烈震荡
现象：训练 loss 忽高忽低，完全看不出收敛趋势，甚至出现训练集 RMSE 比测试集还高的情况。
原因：时间序列样本之间存在严格的时间顺序，每个 epoch 随机打乱样本后，模型每次看到的序列上下文都是断裂的，学不到连续的时间依赖。
解决：把trainingOptions里Shuffle设为'never'，保证每个 epoch 内样本顺序稳定。如果你确实需要打乱来增强泛化，至少也要按块打乱，不能逐样本随机。
5.3numSteps窗口设太小，预测曲线只会跟着最近值走
现象：预测曲线比真实曲线滞后一拍，波峰和波谷整体向右平移，RMSE 看似不大但形态明显不对。
原因：窗口只有 1 或 2 时，模型实际上只学到了「下一个值约等于当前值」，没有捕获周期和趋势信息，相当于在拟合一个随机游走。
解决：把numSteps调大，至少覆盖一个完整周期。日粒度数据取 7 或 30，先跑一次看滞后现象是否消失，再根据 loss 变化微调。窗口太大导致训练样本不足时，优先考虑扩充数据，而不是缩小窗口。
5.4 初始学习率过大，loss 先降后爆炸
现象：训练刚开始 loss 快速下降，到第 20 到 30 个 epoch 时突然跳到 NaN，或者变得非常大，训练直接中断。
原因：学习率 0.01 以上时，参数更新步长过大，越过最优点后梯度持续累积，最终数值溢出。
解决：把InitialLearnRate降到 0.001 到 0.005 区间，同时开启GradientThreshold设为 1。如果仍然出现 NaN，检查数据里是否有缺失值或无穷大，这类脏数据在归一化后依然会破坏训练过程。
5.5OutputMode用错，输出形状对不上真实标签
现象：predict输出的矩阵大小和真实值维度不一致，绘图时报维度错误，或者评估指标算出来是乱的。
原因：OutputMode设为'sequence'时输出是整个序列的预测，不是单点预测；'last'时只输出最后一步。很多人复制代码时不注意这个参数，导致预测结果形状不同。
解决：单步预测统一用'last'，多步预测用'sequence'后再做切片。每次训练前检查predict输出的size，和测试集目标值维度对比一致后再进入评估环节。
6. 进阶：多步预测与模型评价的一个硬习惯
多步预测是时间序列预测里绕不开的需求。上面的代码只能预测一步，实际项目中往往要预测未来 7 天或 30 天。常见的做法是滚动预测：把预测出来的值拼到输入序列末尾，作为下一步的输入，不断迭代到目标步数。
% 滚动预测示例：用最后 numSteps 个点预测未来 horizon 步 future_input = XTest{end}; % 最后一个测试样本 horizon = 10; predicted = zeros(1, horizon); for i = 1:horizon y_pred = predict(net, {future_input}); predicted(i) = y_pred; % 把新预测值加入窗口，丢弃最早的值 future_input = [future_input(2:end), y_pred]; end这段代码里future_input始终保持1 × numSteps的长度，每次预测完把新值附到末尾，形成滑动窗口。滚动预测的误差会随步数累积，越往后越不可靠，所以评估时要把前 3 步和后 7 步的误差分开看，不能只看平均 RMSE。这也是我自己的习惯：对多步预测，逐一输出每步的 RMSE，而不是只给一个总指标——不然你根本不知道模型到底是前面准还是后面准，也就不知道该在哪个环节优化。
从那以后，我每次跑任何 LSTM 时间序列项目，都会强制走一遍这个流程：先检查归一化参数是否只用训练集，再看Shuffle和OutputMode两个选项有没有设对，最后用滚动预测验证多步效果并分步记录误差。这套流程能拦住绝大多数翻车现场，剩下的就交给数据质量去决定了。希望帮到你。
本文还有配套的精品资源，点击获取
