clc;
clear;
data?=?chickenpox_dataset;%加載數據集?chickenpox_dataset是一個函數
data?=?[data{:}];%將數據集變為數組的形式，此時得到的是一個1*n維的數組，n代表n個時刻，其中存儲的是每個時刻的值，即對于時序預測，只有發生的順序，不存在實際的時間?
figure;?%創建一個用來顯示圖形輸出的一個窗口對象。各種屬性都使用的默認設置??
plot（data）;?%若data是向量，則以data的分量為縱坐標，以元素序號為橫坐標，用直線以此連接數據點，繪制曲線。若y為實矩陣，則按列繪制每列對應的曲線?
xlabel（“Month“）;?%縱坐標的名稱?
ylabel（“Cases“）;?%橫坐標的名稱?
title（“Monthy?Cases?of?Chickenpox“）;?%曲線圖的標題

%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））;%將90%的數據設定為訓練集
dataTrain?=?data（1:numTimeStepsTrain+1）;%定義訓練集?
dataTest?=?data（numTimeStepsTrain+1:end）;%定義測試集

%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）;%求均值，為以后的歸一化做準備
sig?=?std（dataTrain）;%求均差，為以后的歸一化做準備
dataTrainStandardized?=?（dataTrain?-?mu）?/?sig;%歸一化，這里方式數據發散

%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）;

%創建LSTM回歸網絡。指定LSTM層有200個隱含單元。
numFeatures?=?1;%輸入特征維數?
numResponses?=?1;%輸出特征維數?
numHiddenUnits?=?200;%每一層lsmt網絡中存在多少神經單元?
layers?=?[?...?????
????sequenceInputlayer（numFeatures）%輸入層，參數是輸入特征維數?????
????lstmlayer（numHiddenUnits）%lsmt層，如果想要構建多層lstm修改參數即可???
????fullyConnectedlayer（numResponses）%全連接層?也就是輸出的維數????
????regressionlayer];%該參數說明是在進行回歸問題，而不是分類問題

%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?...?%這個參數是最大迭代次數，即進行250次訓練，每次訓練后更改神經網絡參數?
????‘GradientThreshold‘1?...%設置梯度閥值為1?，防止梯度爆炸???
????‘InitialLearnRate‘0.005?...?%設置初始學習率????
????‘LearnRateSchedule‘‘piecewise‘?...???
????‘LearnRateDropPeriod‘125?...?%訓練125次后學習率下降，衰落因子為0.2?
????‘LearnRateDropFactor‘0.2?...?%訓練125次后的學習率的衰落因子為0.2??
????‘Verbose‘0?...????
????‘Plots‘‘training-progress‘）;?%構建曲線圖

%使用?trainNetwork?以指定的訓練選項訓練?LSTM?網絡。
net?=?trainNetwork（XTrainYTrainlayersoptions）;

%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;?%歸一化處理，防止數據發散
XTest?=?dataTe