在MATLAB中，可以使用多种方法进行预测编程。以下是一些常见的方法和示例代码：
1. 使用MATLAB自带的神经网络工具箱
```matlab
% 加载数据
p = load（'shuru.txt'）；
t = load（'shuchu.txt'）；
% 数据归一化
[pn, minp, maxp, tn, mint, maxt] = premnmx（p, t）；
% BP网络训练
net = newff（[-1, 1], [5, 1], {'tansig', 'tansig', 'purelin'}, 'traingdx'）；
net.trainParam.show = 1000；
net.trainParam.Lr = 0.05；
net.trainParam.epochs = 3000；
net.trainParam.goal = 1e-5；
net = train（net, pn, tn）；
% 对原数据进行仿真
an = sim（net, pn）；
```
2. 灰色预测函数
```matlab
function yc = gm（x0, m）
n = length（x0）；
x1 = zeros（1, n）；
x1（1） = x0（1）；
for i = 2:n
x1（i） = x1（i-1） + x0（i）；
end
i = 2:n；
y = zeros（1, n）；
y（i-1） = x0（i）；
for i = 1:n-1
y（i+1） = y（i） + x0（i）；
end
B = [-0.5*（x1（i）+x1（i+1））, ones（n-1,1）]；
au = inv（B*B）*B*y；
for i = 1:n+1+m
ago（i） = （x0（1）-au（2）/au（1））*exp（-au（1）*（i-1）） + au（2）/au（1）；
end
yc（1） = ago（1）；
for i = 1:n-1
yc（i+1） = ago（i+1） - ago（i）；
end
end
```
3. 粒子群算法优化BP神经网络预测
```matlab
% 读取数据
data = xlsread（'data.xlsx', 'Sheet1', 'A1:N252'）；
input = data（:, 1:end-1）；
output = data（:, end）；
% 划分训练集和测试集
% 归一化
% 确定BP神经网络的隐含层最优节点数量
% 使用粒子群算法优化BP的神经网络权重和阈值
% 利用优化后的参数训练BP神经网络
% 计算BP和PSO-BP的测试集预测误差
```
4. 状态空间模型和MPC控制器
```matlab
% 创建一个简单的状态空间模型
A = [1 1； 0 1]；
B = [0.5； 1]；
C = [1 0]；
D = 0；
sys = ss（A, B, C, D）；
% 构建MPC控制器
mpcobj = mpc（sys）；
mpcobj.PredictionHorizon = 10；
mpcobj.ControlHorizon = 3；
% 设置输入输出约束
mpcobj.MV.Min = -2；
mpcobj.MV.Max = 2；
mpcobj.OV.Min = -1；
mpcobj.OV.Max = 1；
% 设置权重
mpcobj.Weights.MV = 0.1；
mpcobj.Weights.MVRate = 0.1；
mpcobj.Weights.OV = 1；
% 仿真跑起来
t = 0:50；
r = 0.5*square（0.1*t）；
[y, t, u] = sim（mpcobj, 51, r）；
```
5. 使用拟合工具箱