框架，含滑动窗口，预测未来，单步预测与多步预测对比

【MATLAB第12期】基于LSTM长短期记忆网络的多输入多输出回归预测模型思维框架基于时间序列分析在股票价格短期预测中的应用开题报告，包括滑动窗口、预测未来、单步预测与多步预测的比较、分析多步预测步骤对预测结果的影响，数据显示

这篇文章共有1400条数据。滑动窗口为12，预测步数为100（预测1301-1400个数据）。多步预测值为 3。

训练集输入样本数据格式：128612 // 128612 输入 1286 *3 输出

即：样本1：1-12数据→预测13-15

样本 2：2-13 数据 → 预测 14-16

样本1286：1286-1297数据→预测1298：1300

测试集输入样本格式10012 // 10012输入100*3输出

即：样本1：1289-1300数据→预测1301-1303

样本2：1290-1301数据→预测1302-1304

样本 100：1388-1399 数据 → 预测 1400-1402

%% 建立神经网络层layers = [ sequenceInputLayer(1,"Name","input") % 输入特征数 lstmLayer(20,"Name","lstm",'OutputMode','last') % 隐藏单元 dropoutLayer(0.1,"Name","ｄｒｏｐ") % 遗忘门 fullyConnectedLayer(duobu***,"Name","fc") % 全连接层 regressionLayer("Name","regressionputput")]; % 回归输出%% 定义训练参数options = trainingOptions('adam', ... 'MaxEpochs',200, ... % 迭代轮数 'GradientThreshold',1, ... % 梯度阈值 'InitialLearnRate',0.01, ... % 学习率 'LearnRateSchedule','piecewise', ... 'LearnRateDropPeriod',125, ... 'LearnRateDropFactor',0.2, ... 'Verbose',0, ... 'MiniBatchSize',32,... % BatchSize批数量 'Plots','training-progress');

2.多步预测分析

研究多步预测分别为1 / 2 / 3时对应的预测效果

（说明：如果为1，则在第13步后预测前12个数据；如果为2，则在第14步后预测前12个数据；如果为3，则在第15步后预测前12个数据数据）

**单步分步预测：**YPred_1：取测试集预测结果，100个样本中每个样本预测的第一个值，即(1289-1399)→1301-1400（为第100个预测，样本100：1388-1399数据→预测1400）

**两步分步预测：**YPred_2：取测试集预测结果，100个样本中每个样本预测的第二个值，即（1289-1399）→1302-1401（删除预测的第1401个value ) + YPred_1 1301 预测的第一个值（对于第 100 个预测，样本 100：1388-1399 数据 → 预测 1401）

**三步分步预测：**YPred_3：取测试集预测结果，100个样本中每个样本预测的第三个值，即(1289-1399)→1303-1402（删除预测的1401 - 1402值）+YPred_1预测的前两个值1301-1302（对于第100个预测，样本100：1388-1399数据→预测1402）

三、预测结果分析

YPred_1 预测结果

MAE = 0.0659

均方根误差 = 0.0813

MAPE = 0.0073

R = 0.9779

???

使用训练集的最后 12 个值来预测接下来的 100 个值

YPred_2 预测结果

MAE = 0.1013

均方根误差 = 0.1246