% 原始數據讀入到Matlab中
rawData=xlsread('time_series_data.xlsx','sheet1','A2:C52);
% 第一列時間，第二列風速，第三列溫度
% yt第三列
y_t=rawData(:,3);
% xt第二列
x_t=rawData(:,2);

%   x_t - 時間序列輸入
%   y_t - 反饋時間序列

X = tonndata(x_t,false,false);
T = tonndata(y_t,false,false);

% 選擇訓練功能
% 'trainlm'通常是最快
% 'trainbr'耗時較長，但可能更適合解決挑戰性的問題
% 'trainscg'使用更少的內存。適用于低內存情況
trainFcn = 'trainlm';  % Levenberg-Marquardt反向傳播

% 創建一個非線性自回歸網絡
feedbackDelays = 1:6;
hiddenLayerSize = 20;
net = narnet(feedbackDelays,hiddenLayerSize,'open',trainFcn);

% 為訓練和模擬準備數據
% PREPARETS函數為特定網絡準備時間序列數據
% 移動時間的最小量，以聲明填充輸入狀態和層
% 使用PREPARETS允許保留原始的時間序列數據不變,同時輕松定制它的網絡與不同
% 具有開環或閉環反饋模式的延遲數
[x,xi,ai,t] = preparets(net,{},{},T);

% 建立訓練，驗證，測試的數據
net.divideParam.trainRatio = 70/100;
net.divideParam.valRatio = 15/100;
net.divideParam.testRatio = 15/100;

% 訓練靜態神經網絡 
[net,tr] = train(net,x,t,xi,ai);

% 測試神經網絡
y = net(x,xi,ai);
e = gsubtract(t,y);
performance = perform(net,t,y)

% 查看神經網絡
view(net)

% Plots
% Uncomment these lines to enable various plots.
%figure, plotperform(tr)
%figure, plottrainstate(tr)
%figure, ploterrhist(e)
%figure, plotregression(t,y)
%figure, plotresponse(t,y)
%figure, ploterrcorr(e)
%figure, plotinerrcorr(x,e)

% 提前預測網絡
% 利用該網絡進行多步預測
% CLOSELOOP函數將反饋輸入替換為直接輸入
% 從外部層連接
nets = removedelay(net);
nets.name = [net.name ' - Predict One Step Ahead'];
view(netc)
[xs,xis,ais,ts] = preparets(nets,X,{},T);
ys = nets(xs,xis,ais);
stepAheadPerformance = perform(nets,ts,ys)