clc;
clear;
data?=?chickenpox_dataset;%加載數(shù)據(jù)集?chickenpox_dataset是一個函數(shù)
data?=?[data{:}];%將數(shù)據(jù)集變?yōu)閿?shù)組的形式，此時得到的是一個1*n維的數(shù)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(yù)測，只有發(fā)生的順序，不存在實際的時間?
figure;?%創(chuàng)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(shè)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(shù)據(jù)點，繪制曲線。若y為實矩陣，則按列繪制每列對應(yīng)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(xùn)練數(shù)據(jù)和測試數(shù)據(jù)進行分區(qū)。序列的前?90%?用于訓(xùn)練，后?10%?用于測試
numTimeStepsTrain?=?floor（0.9*numel（data））;%將90%的數(shù)據(jù)設(shè)定為訓(xùn)練集
dataTrain?=?data（1:numTimeStepsTrain+1）;%定義訓(xùn)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(xùn)練發(fā)散，將訓(xùn)練數(shù)據(jù)標準化為具有零均值和單位方差。在預(yù)測時，您必須使用與訓(xùn)練數(shù)據(jù)相同的參數(shù)來標準化測試數(shù)據(jù)。
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(shù)據(jù)發(fā)散

%要預(yù)測序列在將來時間步的值，請將響應(yīng)指定為將值移位了一個時間步的訓(xùn)練序列。
%也就是說，在輸入序列的每個時間步，LSTM?網(wǎng)絡(luò)都學(xué)習(xí)預(yù)測下一個時間步的值。預(yù)測變量是沒有最終時間步的訓(xùn)練序列。
XTrain?=?dataTrainStandardized（1:end-1）;
YTrain?=?dataTrainStandardized（2:end）;

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

%指定訓(xùn)練選項。將求解器設(shè)置為?‘a(chǎn)dam‘?并進行?250?輪訓(xùn)練。要防止梯度爆炸，請將梯度閾值設(shè)置為?1。
%指定初始學(xué)習(xí)率?0.005，在?125?輪訓(xùn)練后通過乘以因子?0.2?來降低學(xué)習(xí)率。
options?=?trainingOptions（‘a(chǎn)dam‘?...???
????‘MaxEpochs‘250?...?%這個參數(shù)是最大迭代次數(shù)，即進行250次訓(xùn)練，每次訓(xùn)練后更改神經(jīng)網(wǎng)絡(luò)參數(shù)?
????‘GradientThreshold‘1?...%設(shè)置梯度閥值為1?，防止梯度爆炸???
????‘InitialLearnRate‘0.005?...?%設(shè)置初始學(xué)習(xí)率????
????‘LearnRateSchedule‘‘piecewise‘?...???
????‘LearnRateDropPeriod‘125?...?%訓(xùn)練125次后學(xué)習(xí)率下降，衰落因子為0.2?
????‘LearnRateDropFactor‘0.2?...?%訓(xùn)練125次后的學(xué)習(xí)率的衰落因子為0.2??
????‘Verbose‘0?...????
????‘Plots‘‘training-progress‘）;?%構(gòu)建曲線圖

%使用?trainNetwork?以指定的訓(xùn)練選項訓(xùn)練?LSTM?網(wǎng)絡(luò)。
net?=?trainNetwork（XTrainYTrainlayersoptions）;

%要預(yù)測將來多個時間步的值，請使用?predictAndUpdateState?函數(shù)一次預(yù)測一個時間步，并在每次預(yù)測時更新網(wǎng)絡(luò)狀態(tài)。對于每次預(yù)測，使用前一次預(yù)測作為函數(shù)的輸入。
%使用與訓(xùn)練數(shù)據(jù)相同的參數(shù)來標準化測試數(shù)據(jù)。
dataTestStandardized?=?（dataTest?-?mu）?/?sig;?%歸一化處理，防止數(shù)據(jù)發(fā)散
XTest?=?dataTe