基于门控循环单元GRU做多个特征变量输入，单个因变量输出的拟合预测建模。 程序内注释详细，可学习性强。 程序直接替换数据就可以使用，不会替换数据的可以免费指导替换数据。 程序语言是matlab的，需求版本是2020及以上。 程序可以出真实值和预测值对比图，线性拟合图，可以打印多种评价指标，方便对比分析。
最近在搞时间序列预测的时候发现GRU网络确实是个好东西，比LSTM结构简单但效果不打折。今天咱们就手把手用Matlab整一套能直接套数据的GRU预测模板，保证你换数据就像换衣服一样简单。
先看数据预处理部分。咱们假设原始数据是个表格，前N列是特征，最后一列是要预测的y值。这段代码的核心在于数据归一化处理：
% 加载数据（这里替换你自己的数据文件） rawData = readtable('your_data.csv'); features = rawData(:,1:end-1); target = rawData(:,end); % 数据归一化（重要！） [featureNormalized, featureParams] = mapminmax(features', 0, 1); [targetNormalized, targetParams] = mapminmax(target', 0, 1); % 转置回原始维度 X = featureNormalized'; Y = targetNormalized';归一化这步千万别省，特别是在多特征量纲不同的情况下。mapminmax函数把数据压缩到[0,1]区间，训练完记得用mapminmax('reverse')反归一化。
接着是构建GRU网络的核心代码。这里用了2020版之后才支持的dlnetwork，比旧版的层式结构更灵活：
inputSize = size(X,2); numHiddenUnits = 128; layers = [ sequenceInputLayer(inputSize) gruLayer(numHiddenUnits,'OutputMode','sequence') fullyConnectedLayer(64) reluLayer fullyConnectedLayer(1) regressionLayer]; options = trainingOptions('adam', ... 'MaxEpochs',200, ... 'MiniBatchSize',32, ... 'Plots','training-progress', ... 'Verbose',false);这里有个小技巧：如果发现模型过拟合，可以在GRU层后加dropoutLayer(0.2)。numHiddenUnits建议从64开始调试，数据量大可以适当增加。
训练完成后，预测和画图部分才是见真章的地方：
% 预测并反归一化 pred = predict(net, XTest); pred = mapminmax('reverse', pred, targetParams); % 画真实值-预测值对比 figure('Position',[100,100,800,400]) subplot(1,2,1) plot(YTest,'LineWidth',1.5) hold on plot(pred,'--','LineWidth',1.2) legend('真实值','预测值') title('预测效果对比') % 画回归拟合图 subplot(1,2,2) scatter(YTest, pred, 'filled') hold on plot([min(YTest) max(YTest)], [min(YTest) max(YTest)], 'r--') xlabel('真实值') ylabel('预测值') title(['拟合优度 R²=' num2str(R2)])评价指标这块推荐这几个硬货：
mae = mean(abs(pred - YTest)); rmse = sqrt(mean((pred - YTest).^2)); R2 = 1 - sum((YTest - pred).^2)/sum((YTest - mean(YTest)).^2); fprintf('模型性能指标:\n') fprintf('MAE: %.4f\n', mae) fprintf('RMSE: %.4f\n', rmse) fprintf('R²: %.4f\n', R2)整个代码跑起来之后会遇到最常见的两个坑：①数据维度不对（检查是不是行列转置了）②显存不足（减小miniBatchSize）。如果遇到数据替换问题，重点检查输入数据是不是数值矩阵，别混入文本数据。
最后说下效果优化方向：可以尝试在GRU层前加卷积层提取局部特征，或者用贝叶斯优化自动调参。但作为基础模板，当前版本已经足够应对大多数工业场景的预测需求了。
)
