1.MATLAB实现基于LSTM-AdaBoost长短期记忆网络结合AdaBoost多输入单输出回归预测；
2.运行环境为Matlab2020b；
3.输入多个特征，输出单个变量，多变量回归预测；
4.data为数据集，excel数据，前7列输入，最后1列输出，运行主程序即可,所有文件放在一个文件夹；
5.命令窗口输出R2、RMSE、MAE、MAPE多指标评价。

基于LSTM-AdaBoost长短期记忆网络的AdaBoost多输入单输出回归预测是一种集成学习方法，旨在利用多个输入变量来预测单个输出变量的值。它结合了LSTM网络和AdaBoost算法的优点，能够捕获时序数据的长期依赖性和非线性关系，并提高预测精度。
LSTM网络是一种适用于序列数据的循环神经网络，通过门控机制可以有效地处理长期依赖性的问题。而AdaBoost是一种集成学习算法，通过加权组合多个弱学习器来提高预测准确性。将这两种方法结合起来，可以利用LSTM网络提取序列数据的特征，然后将这些特征作为AdaBoost的输入，通过多个弱学习器的加权组合来预测输出变量的值。
具体实现步骤如下：
数据预处理：将输入数据按照时间顺序划分为多个序列，每个序列包含多个输入变量和一个输出变量。
LSTM特征提取：对于每个序列，使用LSTM网络提取其特征表示。将LSTM网络的输出作为AdaBoost的输入数据。
AdaBoost回归：将LSTM网络的输出作为AdaBoost的输入数据，并使用多个弱学习器对输出变量进行回归预测。每个弱学习器的权重根据其预测误差进行更新，以提高整体的预测准确性。
预测输出：将多个弱学习器的预测结果进行加权组合，得到最终的预测输出结果。
需要注意的是，在实现过程中需要进行交叉验证和参数调优，以避免过拟合和欠拟合的问题。同时，为了提高模型的鲁棒性，还可以使用集成学习中的Bagging和随机森林等方法来进一步提高预测准确性。

• 完整源码和数据获取方式：私信博主；

%% 预测
t_sim1 = predict(net, p_train); 
t_sim2 = predict(net, p_test ); 

%%  数据反归一化
T_sim1 = mapminmax('reverse', t_sim1, ps_output);
T_sim2 = mapminmax('reverse', t_sim2, ps_output);

%%  均方根误差
error1 = sqrt(sum((T_sim1' - T_train).^2) ./ M);
error2 = sqrt(sum((T_sim2' - T_test ).^2) ./ N);


%%  相关指标计算
%  R2
R1 = 1 - norm(T_train - T_sim1')^2 / norm(T_train - mean(T_train))^2;
R2 = 1 - norm(T_test  - T_sim2')^2 / norm(T_test  - mean(T_test ))^2;

disp(['训练集数据的R2为：', num2str(R1)])
disp(['测试集数据的R2为：', num2str(R2)])

%  MAE
mae1 = sum(abs(T_sim1' - T_train)) ./ M ;
mae2 = sum(abs(T_sim2' - T_test )) ./ N ;

disp(['训练集数据的MAE为：', num2str(mae1)])
disp(['测试集数据的MAE为：', num2str(mae2)])

%% 平均绝对百分比误差MAPE
MAPE1 = mean(abs((T_train - T_sim1')./T_train));
MAPE2 = mean(abs((T_test - T_sim2')./T_test));

disp(['训练集数据的MAPE为：', num2str(MAPE1)])
disp(['测试集数据的MAPE为：', num2str(MAPE2)])

%  MBE
mbe1 = sum(abs(T_sim1' - T_train)) ./ M ;
mbe2 = sum(abs(T_sim1' - T_train)) ./ N ;

disp(['训练集数据的MBE为：', num2str(mbe1)])
disp(['测试集数据的MBE为：', num2str(mbe2)])

%均方误差 MSE
mse1 = sum((T_sim1' - T_train).^2)./M;
mse2 = sum((T_sim2' - T_test).^2)./N;

disp(['训练集数据的MSE为：', num2str(mse1)])
disp(['测试集数据的MSE为：', num2str(mse2)])

[1] https://blog.csdn.net/kjm13182345320/article/details/128577926?spm=1001.2014.3001.5501
[2] https://blog.csdn.net/kjm13182345320/article/details/128573597?spm=1001.2014.3001.5501