% 原始数据读入到Matlab中
rawData=xlsread('time_series_data.xlsx','sheet1','A2:C52);
% 第一列时间，第二列风速，第三列温度
% yt第三列
y_t=rawData(:,3);
% xt第二列
x_t=rawData(:,2);

%   x_t - 时间序列输入
%   y_t - 反馈时间序列

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

% 选择训练功能
% 'trainlm'通常是最快
% 'trainbr'耗时较长，但可能更适合解决挑战性的问题
% 'trainscg'使用更少的内存。适用于低内存情况
trainFcn = 'trainlm';  % Levenberg-Marquardt反向传播

% 创建一个非线性自回归网络
feedbackDelays = 1:6;
hiddenLayerSize = 20;
net = narnet(feedbackDelays,hiddenLayerSize,'open',trainFcn);

% 为训练和模拟准备数据
% PREPARETS函数为特定网络准备时间序列数据
% 移动时间的最小量，以声明填充输入状态和层
% 使用PREPARETS允许保留原始的时间序列数据不变,同时轻松定制它的网络与不同
% 具有开环或闭环反馈模式的延迟数
[x,xi,ai,t] = preparets(net,{},{},T);

% 建立训练，验证，测试的数据
net.divideParam.trainRatio = 70/100;
net.divideParam.valRatio = 15/100;
net.divideParam.testRatio = 15/100;

% 训练静态神经网络 
[net,tr] = train(net,x,t,xi,ai);

% 测试神经网络
y = net(x,xi,ai);
e = gsubtract(t,y);
performance = perform(net,t,y)

% 查看神经网络
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)

% 提前预测网络
% 利用该网络进行多步预测
% CLOSELOOP函数将反馈输入替换为直接输入
% 从外部层连接
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)