深度学习时间序列回归预测，基于MATLAB。 RNNs模型，包括长短期记忆（LSTM），门限循环单元（GRU）和双向长短期记忆（biLSTM）。 有实例，替换数据即可直接运行。 有训练集和测试集划分，输出预测结果的同时计算测试集上的误差指标，如RMSE，MAPE。 可以进行多步预测。

时间序列预测这玩意儿在实际场景里太常见了，从股票价格到电力负荷，到处都能用得上。今天咱们拿MATLAB搞点有意思的——用循环神经网络整活时间序列预测，手把手把LSTM、GRU这些模型玩出花来。

先准备个能跑的数据集。假设咱们手头有个正弦波叠加随机噪声的样本，先造个假数据热热身：

t = 0:0.1:20;
data = sin(t) + 0.2*randn(size(t)); % 加噪的正弦波

接下来得把数据处理成RNN能吃的格式。这里需要注意时间步长的滑窗操作，举个栗子：

lookback = 10; % 用前10个点预测下一个点
[X, Y] = getTimeSeriesTrainData(data, lookback); % 自定义数据生成函数

这个getTimeSeriesTrainData函数核心部分其实就是滑动窗口切片（代码太占篇幅不展开，文末给完整代码）。数据分训练测试集时要注意时序连续性，别乱打乱：

train_ratio = 0.8;
split_idx = floor(length(Y)*train_ratio);
x_train = X(:,1:split_idx);
y_train = Y(1:split_idx);

搭建LSTM模型其实没想象中复杂。重点注意输入输出维度和层结构：

numFeatures = 1; % 单变量时间序列
numResponses = 1;

layers = [
    sequenceInputLayer(numFeatures)
    lstmLayer(128)
    fullyConnectedLayer(numResponses)
    regressionLayer];

这里有个坑：如果做多变量预测，记得调整numFeatures值。训练参数设置讲究点，别让模型跑飞了：

options = trainingOptions('adam', ...
    'MaxEpochs',100, ...
    'MiniBatchSize',32, ...
    'Plots','training-progress');

训练过程可视化很重要，盯着loss曲线别让它过拟合。训练完直接预测：

net = trainNetwork(x_train,y_train,layers,options);
y_pred = predict(net, x_test, 'MiniBatchSize',1);

效果评估部分得整点硬指标。RMSE和MAPE这两个老搭档不能少：

rmse = sqrt(mean((y_test - y_pred).^2));
mape = mean(abs((y_test - y_pred)./y_test))*100;

有时候需要预测未来多个时间点，这时候得搞点骚操作。举个三步预测的例子：

multi_step_pred = [];
current_seq = x_test(:,1); % 取测试集第一个序列

for i = 1:3
    pred = predict(net, current_seq);
    multi_step_pred = [multi_step_pred pred];
    current_seq = [current_seq(:,2:end) pred]; % 滚动更新输入序列
end

这种滚动预测法会累积误差，所以预测步数别贪多。想换GRU或者双向LSTM？改个层类型就完事：

% GRU版本
gruLayer(128)

% 双向LSTM版本
bilstmLayer(128)

实测发现双向LSTM在复杂波形预测上表现更骚，但训练时间直接翻倍。遇到预测结果滞后的问题，试试在数据预处理阶段加差分操作，或者调整滑窗步长。

完整代码打包时注意封装成函数，方便替换数据源。比如预测电力负荷时，把正弦波数据换成.csv读取就成：

raw_data = readmatrix('power_load.csv');
data = raw_data(:,2); % 假设第二列是数值

最后说个玄学问题：同一组数据跑多次结果可能波动，别慌，这是神经网络初始化的随机性导致的。想要稳定结果可以固定随机数种子，不过现实中本来就需要这种泛化性不是？

代码扔GitHub上记得写清楚数据格式要求，不然隔三差五有人问为啥跑不起来。完整实现里加了数据归一化、异常值处理这些细节，这里篇幅有限就不展开了。总之时间序列预测这玩意，七分靠特征处理，三分靠模型调参，剩下的九十分靠运气（不是）。