Matlab 基于长短期记忆神经网络结合支持向量机(LSTM-SVM)的多变量回归预测 （多输入单输出）

在 MATLAB 中实现 LSTM-SVM（长短期记忆网络 + 支持向量机） 的多变量时间序列 多输入单输出（MISO）回归预测，是一种典型的“深度特征提取 + 传统强回归器”混合建模范式：
LSTM：用于从多变量时序中自动提取高维、非线性、动态依赖特征；
SVM（支持向量回归，SVR）：利用 LSTM 提取的特征进行高精度回归，尤其在小样本或中等规模数据上表现稳健。

✅ 一、整体思路

1. 数据预处理：归一化 + 滑动窗口构建样本（多变量历史 → 单步未来）
2. 训练 LSTM 网络（可端到端训练，但仅用作特征提取器）
3. 提取 LSTM 隐藏层/全连接层输出作为特征
4. 将特征输入 SVM（SVR）进行最终回归
5. 评估性能（RMSE、MAE、R²）并可视化
   📌 注意：LSTM 不直接输出最终预测，而是提供“语义特征”，由 SVM 完成映射。

✅ 二、完整 MATLAB 代码（R2021a+，需 Deep Learning Toolbox + Statistics and Machine Learning Toolbox）

matlab
%% 1. 清理环境 & 设置参数
clear; clc; close all;
rng(0); % 可复现

% 数据与模型参数
numFeatures = 4; % 输入变量数（如：温度、湿度、风速、气压）
lookBack = 12; % 时间步长（用过去12个时刻预测下一时刻）
numTrain = 700; % 训练样本数量
totalSamples = 1000; %