基于卷积神经网络-长短期记忆网络的多变量时间序列预测 MATLAB2019A及以上 直接替换数据就可以 多对一

在时间序列预测领域，卷积神经网络（CNN）和长短期记忆网络（LSTM）的结合展现出了强大的性能。今天，咱们就来聊聊如何基于MATLAB 2019A及以上版本，实现基于CNN - LSTM的多变量时间序列预测，而且还是“多对一”的模式哦，操作简单，直接替换数据就行。

数据准备

首先，咱们得有数据。假设我们的数据存放在一个.csv文件里，里面有多列数据，每一列代表一个变量。在MATLAB里读取数据很方便：

data = readtable('your_data.csv');

这里readtable函数用于读取表格数据，'your_data.csv'就是你存放数据的文件名，根据实际情况替换就行。

划分数据集

接下来要把数据划分成训练集、验证集和测试集。这一步很关键，它能让模型更好地学习和评估。

numObservations = height(data);
numTrain = floor(0.7 * numObservations);
numValidation = floor(0.15 * numObservations);
numTest = numObservations - numTrain - numValidation;

idx = (1:numObservations)';
cv = cvpartition(idx, 'Holdout', numTest + numValidation);
idxTrain = training(cv, 1);
idxTestAndValidation = test(cv, 1);

cv2 = cvpartition(idxTestAndValidation, 'Holdout', numTest);
idxValidation = training(cv2, 1);
idxTest = test(cv2, 1);

trainData = data(idxTrain, :);
validationData = data(idxValidation, :);
testData = data(idxTest, :);

上面这段代码先计算了总的观测数，然后按照70% 、15% 、15% 的比例划分训练集、验证集和测试集。cvpartition函数是MATLAB里用于划分数据集的利器，通过不同的参数设置实现不同的划分方式。

构建CNN - LSTM模型

CNN部分

CNN擅长捕捉数据中的局部特征。在MATLAB里构建CNN层可以像下面这样：

layers = [
    sequenceInputLayer(inputSize)
    convolution1dLayer(3,16,'Padding','same')
    batchNormalizationLayer
    reluLayer
    maxPooling1dLayer(2)
];

这里sequenceInputLayer是序列输入层，inputSize是输入数据的维度，要根据实际数据调整。convolution1dLayer是1维卷积层，3是卷积核大小，16是输出通道数，'Padding','same'保证卷积后数据尺寸不变。batchNormalizationLayer用于归一化，加速模型收敛，reluLayer是激活函数层，maxPooling1dLayer进行池化操作，减少数据维度。

LSTM部分

LSTM则对处理时间序列中的长期依赖关系很在行。接着上面的CNN层继续构建：

layers = [
    layers
    lstmLayer(32)
    fullyConnectedLayer(outputSize)
    regressionLayer
];

lstmLayer(32)表示LSTM层有32个隐藏单元，fullyConnectedLayer(outputSize)是全连接层，outputSize是输出维度，在“多对一”预测里通常是1 ，regressionLayer是回归层，因为我们做的是预测数值的回归任务。

模型训练与预测

训练

options = trainingOptions('adam',...
    'MaxEpochs',100,...
    'InitialLearnRate',0.001,...
    'ValidationData',{valFeatures,valLabels},...
    'ValidationFrequency',10,...
    'Verbose',false,...
    'Plots','training-progress');

net = trainNetwork(trainFeatures,trainLabels,layers,options);

这里使用adam优化器，设置了最大训练轮数MaxEpochs为100 ，初始学习率InitialLearnRate为0.001 ，并指定了验证数据和验证频率。trainNetwork函数用于训练模型。

预测

predictedLabels = predict(net,testFeatures);

训练好模型后，就可以用predict函数对测试数据进行预测啦。

基于MATLAB实现基于CNN - LSTM的多变量时间序列预测，只要按照上面的数据处理、模型构建、训练和预测步骤，再结合自己的数据，就能轻松搞定。是不是感觉还挺有趣的呢，赶紧动手试试吧！