clc
clear
%%?加載示例數據。
%chickenpox_dataset?包含一個時序，其時間步對應于月份，值對應于病例數。
%輸出是一個元胞數組，其中每個元素均為單一時間步。將數據重構為行向量。
data?=?chickenpox_dataset;
data?=?[data{:}];

figure
plot（data）
xlabel（“Month“）
ylabel（“Cases“）
title（“Monthly?Cases?of?Chickenpox“）
%%?對訓練數據和測試數據進行分區。
%序列的前?90%?用于訓練，后?10%?用于測試。
numTimeStepsTrain?=?floor（0.9*numel（data））;
dataTrain?=?data（1:numTimeStepsTrain+1）;
dataTest?=?data（numTimeStepsTrain+1:end）;
%%?標準化數據
%為了獲得較好的擬合并防止訓練發散，將訓練數據標準化為具有零均值和單位方差。
%在預測時，您必須使用與訓練數據相同的參數來標準化測試數據。
mu?=?mean（dataTrain）;
sig?=?std（dataTrain）;

dataTrainStandardized?=?（dataTrain?-?mu）?/?sig;
%%?準備預測變量和響應
%要預測序列在將來時間步的值，請將響應指定為將值移位了一個時間步的訓練序列。
%也就是說，在輸入序列的每個時間步，LSTM?網絡都學習預測下一個時間步的值。
%預測變量是沒有最終時間步的訓練序列。
XTrain?=?dataTrainStandardized（1:end-1）;
YTrain?=?dataTrainStandardized（2:end）;
%%?定義?LSTM?網絡架構
%創建?LSTM?回歸網絡。指定?LSTM?層有?200?個隱含單元
numFeatures?=?1;
numResponses?=?1;
numHiddenUnits?=?200;

layers?=?[?...
????sequenceInputlayer（numFeatures）
????lstmlayer（numHiddenUnits）
????fullyConnectedlayer（numResponses）
????regressionlayer];
%指定訓練選項。
%將求解器設置為?‘adam‘?并進行?250?輪訓練。
%要防止梯度爆炸，請將梯度閾值設置為?1。
%指定初始學習率?0.005，在?125?輪訓練后通過乘以因子?0.2?來降低學習率。
options?=?trainingOptions（‘adam‘?...
????‘MaxEpochs‘250?...
????‘GradientThreshold‘1?...
????‘InitialLearnRate‘0.005?...
????‘LearnRateSchedule‘‘piecewise‘?...
????‘LearnRateDropPeriod‘125?...
????‘LearnRateDropFactor‘0.2?...
????‘Verbose‘0?...
????‘Plots‘‘training-progress‘）;
%%?訓練?LSTM?網絡
%使用?trainNetwork?以指定的訓練選項訓練?LSTM?網絡。
net?=?trainNetwork（XTrainYTrainlayersoptions）;
%%?預測將來時間步
%要預測將來多個時間步的值，請使用?predictAndUpdateState?函數一次預測一個時間步，并在每次預測時更新網絡狀態。對于每次預測，使用前一次預測作為函數的輸入。
%使用與訓練數據相同的參數來標準化測試數據。
dataTestStandardized?=?（dataTest?-?mu）?/?sig;
XTest?=?dataTestStandardized（1:end-1）;
%要初始化網絡狀態，請先對訓練數據?XTrain?進行預測。
%接下來，使用訓練響應的最后一個時間步?YTrain（end）?進行第一次預測。
%循環其余預測并將前一次預測輸入到?predictAndUpdateState。
%對于大型數據集合、長序列或大型網絡，在?GPU?上進行預測計算通常比在?CPU?