LSTM多输出回归，基于长短期记忆神经网络(LSTM)的多输出回归预测(多输入多输出) 程序已经调试好，无需更改代码替换数据集即可运行数据格式为excel 1、运行环境要求MATLAB版本为2018b及其以上 2、评价指标包括:R2、MAE、MBE、RMSE等，图很多，符合您的需要 3、代码中文注释清晰，质量极高 4、测试数据集，可以直接运行源程序。 替换你的数据即可用 适合新手小白 5、 保证源程序运行，

最近在整理时间序列预测项目的时候，发现很多同学对LSTM的多输出回归存在实操困惑。正好手头有个开箱即用的Matlab方案，实测只需替换Excel表格就能直接跑出预测曲线和八种评估指标，特别适合刚接触神经网络的小白。

先看这个项目的核心优势：数据预处理模块已经封装成函数。假设你的Excel表格前三列是环境温度、湿度、风速，后两列是要预测的发电功率和设备温度（支持任意维度输入输出）。核心代码里这段归一化处理很有意思：

input_data = data(:,1:input_num)';
output_data = data(:,input_num+1:end)';
[input_normalized, input_ps] = mapminmax(input_data);
[output_normalized, output_ps] = mapminmax(output_data);

这里用mapminmax函数做特征缩放，注意输入输出要分开归一化。有个新手容易踩的坑：如果不小心把输出变量混在输入里做归一化，会导致数据泄露，这点在代码里通过列索引控制得很严谨。

网络架构部分采用经典LSTM结构，但有几个细节值得注意：

numFeatures = input_num;
numResponses = output_num;
layers = [...
    sequenceInputLayer(numFeatures)
    lstmLayer(128)
    fullyConnectedLayer(64)
    dropoutLayer(0.2)
    fullyConnectedLayer(numResponses)
    regressionLayer];

这里在LSTM层后接了个Dropout层，比例设为20%。实际测试发现，当输出维度较高时（比如同时预测5个变量），适当增加dropout比例到0.3-0.4能有效防止过拟合。训练循环里有个小技巧：

options = trainingOptions('adam',...
    'MaxEpochs',200,...
    'MiniBatchSize',32,...
    'InitialLearnRate',0.001,...
    'LearnRateSchedule','piecewise',...
    'LearnRateDropPeriod',50,...
    'Verbose',0);

学习率采用分段下降策略，每50轮衰减一次。建议初次运行时把MaxEpochs调小到50，先观察损失曲线是否收敛。如果发现验证集损失震荡，可能需要增大MiniBatchSize到64或128。

结果可视化部分堪称豪华，除了常规的预测-真实值对比图，还有残差分布直方图、误差带分析图。最实用的是这个指标计算函数：

function [R2,MAE,MBE,RMSE] = calc_metrics(YPred,YTest)
    R2 = 1 - sum((YTest - YPred).^2)/sum((YTest - mean(YTest)).^2);
    MAE = mean(abs(YPred - YTest));
    MBE = mean(YPred - YTest);
    RMSE = sqrt(mean((YPred - YTest).^2));
end

特别注意MBE（平均偏差误差）的计算，这个指标能反映预测值整体偏高还是偏低。有个项目案例中，MBE显示预测功率持续偏低0.5%，最后发现是传感器存在系统性测量偏差。

实际使用时遇到过两个典型问题：1. 数据量小于1000组时建议减少LSTM单元数到64；2. 若出现"Out of memory"错误，尝试减小MiniBatchSize或采用滑动窗口生成序列数据。有个取巧的办法——在数据导入后添加：

data = data(1:800,:); % 临时截断数据调试用

最后说说扩展性，这个框架其实能轻松改成多任务学习。比如在最后一层前并联两个全连接层，分别预测功率和温度。不过对于大多数工业预测场景，当前版本的多输出结构已经足够应对能源负荷预测、环境质量评估等典型需求。