CNN-LSTM、CNN-BILSTM预测多输入单输出

1. CNN-LSTM模型结构：

   • CNN-LSTM模型结构是将卷积神经网络（CNN）和长短期记忆网络（LSTM）结合在一起，用于处理图像/序列数据。
   • 首先，通过CNN层提取输入序列的空间特征。CNN层可以包含多个卷积层、池化层和扁平化层。
   • 然后，将CNN层的输出通过TimeDistributed层进行包装，以便将CNN层的输出应用于每个时间步长。
   • 接下来，将TimeDistributed层的输出输入到LSTM层中，以捕捉序列数据的时间依赖关系。

2.  CNN-BILSTM模型结构CNN-BILSTM模型结构是将卷积神经网络（CNN）和双向长短期记忆网络（BILSTM）结合在一起，用于处理图像/序列数据。
   • 首先，通过CNN层提取输入图像的空间特征。CNN层可以包含多个卷积层、池化层和扁平化层。
   • 然后，将CNN层的输出输入到双向LSTM层中，以捕捉图像数据的时间依赖关系。双向LSTM层可以同时考虑过去和未来的上下文信息。
   • 最后，通过全连接层将双向LSTM层的输出映射到所需的输出维度。

3. 这两种模型结构在处理不同类型的数据时具有不同的应用场景。CNN-LSTM适用于处理序列数据，如文本、语音和时间序列数据。CNN-BILSTM适用于处理图像数据，如图像分类和目标检测。

4. 实际应用 在回归预测中通过对比其效果图如下