简介基于 LSTM 的 MATLAB 短期风速预测实现包面向 MATLAB 用户与深度学习入门者提供从历史数据到未来风速预测的可运行代码适用于风电预测、课程设计与算法对比。压缩包内共 13 个文件7 个 .m 文件覆盖数据读取、归一化预处理、LSTM/ELM 模型构建、权重更新与预测主流程3 个 .mat 文件存放处理后的输入输出数据2 个 .xlsx 为沧州气象与污染日度数据另有 1 个 .md 说明文档整体仅 149KB结构简洁便于对照文档理解各模块。已有 1345 人学习/下载适合作为时间序列预测的入门实践。通过包内代码可完整复现从风速历史数据到未来预测的完整闭环涵盖训练集与验证集划分、LSTM 与 ELM 对比训练、MSE/MAE 误差评估等环节还能在此基础上调整网络层数、单元数或优化器为后续改进或迁移到其他时序任务打下基础。1. 用 MATLAB 跑 LSTM 风速预测先说清楚这份资源到底能干什么做风电功率预测或者风电场运维的人大概率都遇到过同一个尴尬Python 里 TensorFlow、PyTorch 一套接一套轮到自己熟悉的 MATLAB 环境想复现一个 LSTM 时序预测反而找不到能直接跑的代码。这份LSTM-regression-master.rar解决的就是这个问题——它把 LSTM 短期风速预测完整跑在 MATLAB 上从数据读取、归一化、训练到预测和误差对比一条龙解压就能跑不需要装 Python 环境。包里除了LSTM.m、LSTM2.m和LSTM_updata_weight.m这几个核心脚本还带了两份真实数据沧州气象日度数据.xlsx 和沧州污染日度数据.xlsx以及训练好的数据文件data_lstm.mat、outputps.mat。简单说这份资源适合三类人刚接触 LSTM、想在 MATLAB 里快速跑通第一个时序预测模型的做风速或类似气象时序预测、想拿现成代码改数据就用的以及想对比 LSTM 和传统 ELM 算法效果的研究者——包里恰好还带了ELM.m、elmtrain.m、elmpredict.m相当于买一送一给了个对比基线。2. 先搞懂 LSTM 的数学原理门控机制和时序预测为什么能成2.1 从 RNN 梯度消失到 LSTM 的门控设计要用好这份代码至少得明白 LSTM 到底是怎么工作的。标准的 RNN 在处理长序列时会遇到梯度消失问题——时间步太多反向传播时梯度逐层衰减前面的信息根本传不到后面。LSTM 的解法是引入三个门遗忘门决定上一时刻的细胞状态有多少要丢弃输入门决定当前时刻的新信息有多少要写进细胞状态输出门决定当前细胞状态要输出多少到隐藏状态。这三个门加上一个记忆单元cell state让信息既能长期保存又能选择性更新。代码里的LSTM_updata_weight.m做的就是这件事的权重更新部分它按照 LSTM 的反向传播规则计算梯度并更新权重。如果打开这个文件你会看到类似这样的核心计算% 遗忘门决定上一时刻细胞状态 C_prev 保留多少 ft sigmoid(W_f * [h_prev; x_t] b_f); % 输入门决定当前输入写入多少 it sigmoid(W_i * [h_prev; x_t] b_i); % 候选细胞状态 C_candidate tanh(W_c * [h_prev; x_t] b_c); % 更新细胞状态 C_t ft .* C_prev it .* C_candidate; % 输出门决定当前时刻输出多少 ot sigmoid(W_o * [h_prev; x_t] b_o); h_t ot .* tanh(C_t);这里[h_prev; x_t]是把上一时刻隐藏状态和当前输入拼接成一个大向量W_f、W_i、W_c、W_o是四个门的权重矩阵。MATLAB 直接用矩阵乘法表达这些公式非常简洁底层不需要你手写自动微分——当然这份代码也没有用dlnetwork的高级封装而是自己写了权重更新所以你能看到完整的反向传播过程这对理解 LSTM 内部机制是很好的教材。2.2 为什么风速预测适合用 LSTM 而不是普通全连接网络风速数据是典型的时间序列今天的风速和昨天的风速有强相关性用全连接网络MLP预测的话每个样本是独立的模型学不到时间维度的先后关系。LSTM 天然处理序列通过隐藏状态在时间步之间传递信息每一时刻的预测都隐式地包含了前面所有时刻的信息。这就是它适合短期风速预测的根本原因。另一个实际原因风速序列有随机性和突变性LSTM 的遗忘门机制对这类非平稳序列容忍度更高。传统 ARIMA 模型要求序列平稳做差分很麻烦而 LSTM 通过归一化和门控机制可以直接吃原始风速序列。包里用mapminmax做归一化主要就是让模型训练更稳定防止某些幅值大的特征主导梯度更新。2.3 看懂这份代码的训练流程骨架打开LSTM.m训练流程基本是固定的四步加载并划分数据集、归一化、设置超参数并训练、反归一化得到预测值并绘图。训练部分核心代码大致长这样% 数据划分前 80% 作为训练集后 20% 作为测试集 numTrain round(length(data) * 0.8); trainData data(1:numTrain); testData data(numTrain1:end); % 归一化到 [-1, 1]LSTM 激活函数为 tanh输入范围匹配训练更稳 [trainNorm, ps] mapminmax(trainData, -1, 1); trainNorm trainNorm;mapminmax的第二个参数-1, 1指定归一化区间这个细节很关键——LSTM 内部的tanh激活函数输出范围就是 [-1, 1]输入也归一到这个区间梯度传播更平稳。输出的ps结构体要保留后面预测完要用它做反归一化把预测值还原成真实风速量纲否则你拿到的是归一化后的数字没法直接和真实风速对比。3. 把数据跑起来从 Excel 到模型的完整操作步骤3.1 解压之后先看文件结构这份资源的文件结构很清晰核心脚本都在根目录数据文件用 Excel 存储方便你直接打开查看。解压后的典型结构如下LSTM-regression-master/ ├── LSTM.m # 主线脚本完整训练 预测 绘图 ├── LSTM2.m # 变体版本换了网络结构或训练方式 ├── LSTM_updata_weight.m # LSTM 权重更新子函数 ├── ELM.m # 极限学习机主脚本用作对比 ├── elmtrain.m # ELM 训练函数 ├── elmpredict.m # ELM 预测函数 ├── data_lstm.mat # 预先处理好的 LSTM 输入数据 ├── outputps.mat # 归一化参数用于反归一化 ├── 沧州气象日度数据.xlsx # 气象数据表 ├── 沧州污染日度数据.xlsx # 污染数据表可选扩展特征 ├── Untitled2.m # 辅助脚本/early draft └── README.md # 说明文档我的建议是先直接运行LSTM.m确认环境没问题、能跑出结果图再去看LSTM2.m的改动最后才对LSTM_updata_weight.m做改造。直接一上来就改权重更新函数调试成本会高很多。3.2 用现成数据跑通第一次预测data_lstm.mat里存的是已经整理好的风速序列数据不需要你手动去 Excel 里复制粘贴。运行前确保 MATLAB 当前文件夹是项目根目录然后在命令行执行% 直接运行主脚本 LSTM脚本会自动加载data_lstm.mat划分训练测试集训练 LSTM 网络最后输出预测对比图。如果一切正常你会看到损失曲线下降、预测值和真实值两条曲线在 figure 窗口里显示。第一次跑通后去读README.md里面应该写了数据来源、运行顺序和关键参数说明。如果你要换成自己的风速数据需要做的是准备一个列向量或行向量的风速序列去掉缺失值和异常点然后替换脚本里的data变量。具体做法% 读取自己的 Excel 风速数据 % 假设第一列是日期第二列是风速 rawData readtable(my_wind_data.xlsx); windSpeed rawData{:, 2}; % 提取风速列 % 处理缺失值线性插值补齐 windSpeed fillmissing(windSpeed, linear); % 替换原脚本中的 data 变量 data windSpeed;fillmissing是 MATLAB 自带函数处理缺失值用linear插值足够应付大多数气象站数据。风速序列的异常值——比如超过 60 m/s 的记录——建议直接置为 NaN 后再插值或者用前后时刻均值替代。3.3 网络结构参数在哪里改、怎么改LSTM.m和LSTM2.m里网络结构定义一般用的是lstmLayer和fullyConnectedLayer这是 MATLAB Deep Learning Toolbox 的标准写法。典型的一段定义长这样% 定义 LSTM 网络结构 layers [ sequenceInputLayer(1) % 输入维度单变量风速 lstmLayer(50, OutputMode, last) % 50 个隐藏单元输出最后一步 fullyConnectedLayer(1) % 回归输出一个值 regressionLayer % 回归损失函数MSE ]; % 训练选项 options trainingOptions(adam, ... MaxEpochs, 200, ... InitialLearnRate, 0.01, ... MiniBatchSize, 64, ... Plots, training-progress);lstmLayer(50, OutputMode, last)的50是隐藏单元数量OutputMode, last表示只输出最后一个时间步的预测值——风速预测这种单步预测场景用last是对的。如果改成sequence就会输出每个时间步的预测值适合多步预测或 sequence-to-sequence 任务。InitialLearnRate设0.01做初始值没问题但如果损失曲线震荡剧烈降一个量级到0.001是常见做法。3.4 训练好之后怎么评估效果包里没有单独写评估脚本但你可以自己加几行用均方根误差RMSE和平均绝对误差MAE量化预测效果。在预测完、反归一化拿到pred之后加上% 反归一化后计算误差指标 predReal mapminmax(reverse, pred, ps); testReal testData; % 测试集真实值 % RMSE均方根误差量纲和风速一致 rmse sqrt(mean((predReal - testReal).^2)); % MAE平均绝对误差对异常值不敏感 mae mean(abs(predReal - testReal)); fprintf(RMSE: %.3f m/s, MAE: %.3f m/s\n, rmse, mae);RMSE 对大的预测偏差惩罚更重如果预测结果在极端风速时段偏差大RMSE 会比 MAE 大不少。两个指标结合看如果 MAE 小但 RMSE 大说明大部分时候预测得不错但有少数几个点偏差离谱这时候优先检查那些突变时刻的数据质量和预处理是否到位。4. 避坑与常见问题排查运行半年总结的 4 个高频雷区4.1 解压后中文文件名乱码或加载失败现象运行 LSTM.m时报错Undefined function readtable或者导入 Excel 数据时列名显示乱码。原因MATLAB 的readtable默认按系统编码读取文件Windows 中文环境可能直接读取成功但个别 MATLAB 版本对 Excel 中文列名的 UTF-8 编码兼容不好也有可能是路径中含中文导致 MATLAB 搜索路径解析失败。解决先把 Excel 文件复制到项目根目录并重命名为纯英文比如cangzhou_weather.xlsx然后在脚本里用readtable(cangzhou_weather.xlsx)读取不要使用中文文件名。4.2mapminmax反归一化时报维度对不上的错现象预测做完后写mapminmax(reverse, pred, ps)报错提示X 的行数必须和 ps.xrows 一致。原因训练时trainData是行向量还是列向量决定了归一化后的矩阵方向这一信息被记录在ps.xrows里。你预测时pred是列向量方向反了自然对不上。解决在预测前统一用pred pred转置一下或者以ps.xrows为准调整pred方向。习惯做法是归一化时不用转置全程保持同一种方向约定。4.3 训练损失曲线不下降一直维持在 0.5 左右现象训练曲线平坦得像条直线损失值高居不下。原因大概率是学习率太大导致梯度震荡或者归一化没做好导致输入数值范围过大。如果输入风速直接是原始值几十到几百而 LSTM 内部激活函数输出范围只有 [-1, 1]模型很难学。解决确认mapminmax归一化到 [-1, 1] 后再进网络学习率从0.01降到0.001重新跑一遍。如果还不降检查是不是数据里混入了 NaN——NaN 在训练时会让梯度变成 NaN损失曲线表现为突然断崖后不再变化。4.4 预测曲线比真实曲线整体滞后一个时间步现象预测值和真实值曲线形态很接近但明显向右偏移像把真实曲线平移了一段。原因这是单步滚动预测时输入窗口和预测点之间错位造成的观测偏差。如果输入窗口用的是Input [t-k, ..., t-1]预测t时刻等价于拿过去信息预测当前对变化平缓的序列效果尚可但风速突变时段天然滞后。解决调整特征构造把输入改为[t-k, ..., t]预测t1相当于把预测目标后移一步滞后现象会明显缓解。提示这份代码默认做的是多步循环预测还是单步直接预测取决于脚本里的循环构造方式。打开脚本后先找for循环和输入矩阵的列数确认预测步长再调整上面的输入输出错位关系。5. 在 LSTM2.m 上做改造把多变量特征和超参调优真正落到代码里5.1 LSTM2.m 到底改了哪里对比LSTM.m和LSTM2.m重点看两处差异网络层数和输入特征。LSTM2.m大概率是改成了多变量输入——除了风速之外把沧州污染日度数据里的某个指标比如 PM2.5 或气压也拼进了输入特征矩阵。这一步的思路是对的风速不只受历史风速影响气压梯度、温度变化都会改变风速趋势。多特征输入的代码改动核心在数据拼接% 多变量输入风速 温度两列特征 features [windSpeed, temperature]; % 每行一个时刻两列 % 归一化每一列 [featuresNorm, ps_multi] mapminmax(features, -1, 1); featuresNorm featuresNorm; % sequenceInputLayer 输入维度改为 2 layers [ sequenceInputLayer(2) lstmLayer(64, OutputMode, last) fullyConnectedLayer(1) regressionLayer ];一个容易踩的细节sequenceInputLayer(2)表示每个时间步输入一个长度为 2 的特征向量和原来的sequenceInputLayer(1)相比数据维度变了、网络权重矩阵维度也变了所以模型不能直接复用原来训练好的权重必须重新训练。5.2 利用LSTM_updata_weight.m做梯度裁剪和可视化LSTM_updata_weight.m是这份资源的隐藏宝藏——它手写了 LSTM 的权重更新过程。很多使用者只跑LSTM.m拿个结果就走完全忽略了这个文件的价值。在这个文件里你可以看到每个门的梯度是怎么计算的并且可以做一件 MATLAB 高层 API 做不了的事情梯度裁剪。% 在 LSTM_updata_weight.m 的权重更新处增加梯度裁剪 % 计算梯度后、应用梯度前执行 gradClipThreshold 5; % 梯度裁剪阈值 gradNorm norm(grad_W_f); % 以遗忘门权重梯度为例 if gradNorm gradClipThreshold scaleFactor gradClipThreshold / gradNorm; grad_W_f grad_W_f * scaleFactor; % 按比例缩放梯度 grad_W_i grad_W_i * scaleFactor; grad_W_c grad_W_c * scaleFactor; grad_W_o grad_W_o * scaleFactor; end梯度裁剪解决的是训练后期 loss 突然变 NaN 的问题——尤其是输入数据里存在极端风速值时梯度爆炸会让权重变成极大值。clip 阈值一般设在 1 到 10 之间5是一个比较常用的起点。手工改LSTM_updata_weight.m的好处是你能看到裁剪前后的梯度范数变化对理解训练过程极有帮助。5.3 批量搜索最优超参数LSTM 的三个超参数影响最大隐藏单元数lstmLayer的第一参数、学习率、批大小MiniBatchSize。手动一个个试很浪费时间我的习惯是写一个简单网格搜索把所有组合跑一遍取最优% 超参数网格搜索 hiddenUnitsList [32, 64, 128]; lrList [0.001, 0.005, 0.01]; results zeros(length(hiddenUnitsList) * length(lrList), 4); idx 1; for h hiddenUnitsList for lr lrList layers [ sequenceInputLayer(1) lstmLayer(h, OutputMode, last) fullyConnectedLayer(1) regressionLayer ]; options trainingOptions(adam, ... MaxEpochs, 150, ... InitialLearnRate, lr, ... MiniBatchSize, 64, ... Verbose, 0); net trainNetwork(XTrain, YTrain, layers, options); YPred predict(net, XTest); rmse sqrt(mean((YPred - YTest).^2)); results(idx, :) [h, lr, rmse, idx]; idx idx 1; end end disp(隐藏单元数 学习率 RMSE); disp(results(:, 1:3));跑完看表格选 RMSE 最小的组合。注意网格搜索的代价是训练时间翻倍增加——6 组组合大约 6 倍训练耗时如果数据量大建议先减半MaxEpochs粗筛一轮再对最优组合用完整MaxEpochs精跑一次。这个思路我叫它「粗筛定范围、精跑定结果」比一次性跑完省一半时间。6. 把预测结果做得更可信残差分析和模型对比验证6.1 用残差图判断模型是否「学到了东西」只看 RMSE 数字还不充分残差图是判断模型质量的更直观手段。残差等于真实值减预测值理想情况是残差在 0 附近随机震荡、看不出规律。如果残差有周期性或者明显趋势说明模型没有完全捕捉风速序列的模式还有改进空间。% 绘制残差误差曲线 residual testReal - predReal; figure; subplot(2,1,1); plot(testReal, b-, LineWidth, 1.5); hold on; plot(predReal, r--, LineWidth, 1.2); legend(真实风速, LSTM预测风速); ylabel(风速 (m/s)); xlabel(时间步); title(测试集预测对比); subplot(2,1,2); plot(residual, k-); ylabel(残差 (m/s)); xlabel(时间步); title(预测残差分布);如果残差在某个时间段连续出现大正值或大负值大概率是那个时段有一个剧烈的天气过程比如冷锋过境风速突变超出了模型的输入窗口表达能力此时可以考虑增加输入窗口长度比如从过去 12 小时改为 24 小时。6.2 和 ELM 做对比验证 LSTM 是否真的更好包里提供的ELM.m是一个极限学习机基线。ELM 的特点是训练不需要迭代单次前向传播就能求出输出权重计算效率极高但因为没有循环结构无法利用时间依赖性。在同一份数据上对比两者能得到一个很有说服力的结论。跑 ELM 的方式是% 调用包里的 ELM 训练与预测函数 [IW, B, LW, TF, TYPE] elmtrain(P_train, T_train, 30, sig, 0); Y_pred_elm elmpredict(P_test, IW, B, LW, TF, TYPE);参数说明P_train是输入特征矩阵T_train是目标输出30是隐藏层神经元数量sig是激活函数Sigmoid最后的0表示回归问题。ELM 隐藏层神经元数量需要自己试——少了欠拟合、多了过拟合一般从 20 开始往上加对比 RMSE 变化趋势选拐点。在同一测试集上LSTM 的 RMSE 通常会明显低于 ELM这量化地说明了序列建模的价值。6.3 绘图保存和结果复盘技巧训练好的模型要保存下来供后续调用用save命令存模型和数据% 保存训练好的网络和归一化参数 save(trained_lstm_net.mat, net, ps, data); % 以后加载并预测 load(trained_lstm_net.mat); YPred predict(net, XTestNorm);每次跑完模型后我都会把 RMSE、MAE、隐藏单元数、学习率这四个值连同日期记在一个results_log.txt里——不要用 Excel用追加文本最省事。这个习惯帮我省了不少回头路两周前跑得好的参数如果当时没记再找回来要重跑一遍。从那以后我每次调参完毕强制走一遍「记录参数—跑通—记录指标—存模型」的流程再把当时的残差图截图归档。模型可以重新训但实验记录丢了是真的没有后悔药。希望这份 LSTM 风速预测资源能帮你在 MATLAB 环境里少折腾几天把精力花在真正该花的地方——理解数据和改进模型上。本文还有配套的精品资源点击获取