RNN 预测模型的介绍与分析
循环神经网络（Recurrent Neural Network，RNN）是一种能够处理序列数据的神经网络模型。
它在自然语言处理、语音识别、机器翻译等领域取得了很大的成功，同时也被广泛应用于时间序列预
测和回归分析等任务。
RNN 预测模型是一种多输入单输出的模型，它能够根据历史输入数据来预测未来的输出。该模型可以
直接替换数据，只需将待预测的数据输入模型即可。同时，该模型使用的编程语言是 MATLAB，要求
最低版本为 2021 及以上。
在该模型中，程序首先清空环境变量、关闭图窗、清空变量和命令行，以确保程序从一个干净的状态
开始执行。然后，通过 xlsread 函数导入数据，其中'数据的输入'和'数据的输出'是两个 Excel
文件的文件名。
接下来，程序对数据进行归一化处理。归一化处理是将数据按照一定的比例缩放到指定的范围内，以
便更好地适应模型的训练和预测。程序使用 mapminmax 函数将输入数据 P_train 和 P_test 归一
化到 0 到 1 的范围内，并保存归一化的参数 ps_input。同时，程序使用 mapminmax 函数将输出数
据 T_train 和 T_test 归一化到 0 到 1 的范围内，并保存归一化的参数 ps_output。
接着，程序将归一化后的数据转换为特定的格式。通过使用 for 循环，程序将 p_train 和 p_test
转换为 vp_train 和 vp_test，其中 vp_train 和 vp_test 是每个样本的列向量。这样做的目的
是为了适应 RNN 模型的输入格式。
然后，程序定义了一些基础参数。其中，numFeatures 表示特征维度，即特征变量的列数；
numResponses 表示输出维度，这里是 1。
接下来，程序设计了一个 RNN 结构。该结构包含输入层、GRU 层、ReLU 激活层、LSTM 层、丢弃层
、全连接层和回归层。其中，GRU 层和 LSTM 层是循环神经网络的一种变体，用于处理序列数据。
然后，程序根据当前计算环境（GPU 或 CPU）设置网络参数。如果有 GPU 设备，则使用 GPU 进行训
练，否则使用 CPU。
接着，程序定义了训练选项。程序使用 adam 优化算法进行训练，最大训练次数为 2000 次，梯度阈
值为 1，初始学习率为 0.01，学习率调整策略为 piecewise，训练 850 次后开始调整学习率，学习
率调整因子为 0.25，最小批量大小为 96，关闭训练过程中的详细输出，每个 epoch 后对数据进行
洗牌，训练环境根据之前判断的设备类型进行设置，最后画出训练过程的曲线。
接下来，程序使用 trainNetwork 函数对 vp_train 和 t_train 进行训练，使用之前定义的网络
结构和训练选项。
