【Matlab】CNN-LSTM时序预测 卷积神经网络-长短期记忆神经网络组合模型（附代码）

 资源下载： 

资源合集：

目录

【Matlab】BP 神经网络时序预测算法

【Matlab】CNN卷积神经网络时序预测算法

【Matlab】ELM极限学习机时序预测算法

【Matlab】基于遗传算法优化BP神经网络 (GA-BP)的数据时序预测

【Matlab】LSTM长短期记忆神经网络时序预测算法

【Matlab】PSO-BP 基于粒子群算法优化BP神经网络的数据时序预测

【Matlab】RBF径向基神经网络时序预测算法

【Matlab】RF随机森林时序预测算法

【Matlab】SVM支持向量机时序预测算法

一，概述

        CNN-LSTM神经网络模型是一种结合了卷积神经网络（Convolutional Neural Network，CNN）和长短期记忆网络（Long Short-Term Memory，LSTM）的混合模型。这种模型常用于处理序列数据，如文本、语音和时间序列数据等。

        CNN-LSTM模型的基本结构是将CNN用于提取输入数据的局部特征，然后将这些特征序列输入到LSTM中进行序列建模和预测。CNN主要用于捕捉输入数据的空间局部特征，通过卷积层和池化层来提取特征。而LSTM则用于处理序列数据的时序关系，通过记忆单元和门控机制来捕捉长期依赖关系。

        在CNN-LSTM模型中，CNN部分通常用于提取输入数据的局部特征，例如在文本分类任务中，CNN可以用于提取句子中的词语特征。然后，这些特征序列会被输入到LSTM中，LSTM会根据序列的时序关系进行建模和预测。最后，通过全连接层或其他分类器对LSTM的输出进行分类或回归。

        CNN-LSTM模型的优点是能够同时捕捉输入数据的局部特征和时序关系，适用于处理序列数据中的长期依赖关系。它在文本分类、情感分析、语音识别和视频分析等任务中取得了很好的效果。

二，代码

代码中文注释非常清晰，按照示例数据修改格式，替换数据集即可运行，数据集为excel。

部分代码如下：

%%  清空环境变量
warning off             % 关闭报警信息
close all               % 关闭开启的图窗
clear                   % 清空变量
clc                     % 清空命令行

%%  导入数据（时间序列的单列数据）
result = xlsread('数据集.xlsx');

%%  数据分析
num_samples = length(result);  % 样本个数 
kim = 15;                      % 延时步长（kim个历史数据作为自变量）
zim =  1;                      % 跨zim个时间点进行预测

%%  划分数据集
for i = 1: num_samples - kim - zim + 1
    res(i, :) = [reshape(result(i: i + kim - 1), 1, kim), result(i + kim + zim - 1)];
end

%%  划分训练集和测试集
outdim = 1;                                  % 最后一列为输出
num_size = 0.7;                              % 训练集占数据集比例
num_train_s = round(num_size * num_samples); % 训练集样本个数
f_ = size(res, 2) - outdim;                  % 输入特征维度

P_train = res(1: num_train_s, 1: f_)';
T_train = res(1: num_train_s, f_ + 1: end)';
M = size(P_train, 2);

P_test = res(num_train_s + 1: end, 1: f_)';
T_test = res(num_train_s + 1: end, f_ + 1: end)';
N = size(P_test, 2);

%%  数据归一化
[P_train, ps_input] = mapminmax(P_train, 0, 1);
P_test = mapminmax('apply', P_test, ps_input);

[t_train, ps_output] = mapminmax(T_train, 0, 1);
t_test = mapminmax('apply', T_test, ps_output);

%%  数据平铺
%   将数据平铺成1维数据只是一种处理方式
%   也可以平铺成2维数据，以及3维数据，需要修改对应模型结构
%   但是应该始终和输入层数据结构保持一致
P_train =  double(reshape(P_train, 15, 1, 1, M));
P_test  =  double(reshape(P_test , 15, 1, 1, N));

t_train = t_train';
t_test  = t_test' ;

%%  数据格式转换
for i = 1 : M
    p_train{i, 1} = P_train(:, :, 1, i);
end

for i = 1 : N
    p_test{i, 1}  = P_test( :, :, 1, i);
end

%%  创建模型
numFeatures  = kim;
% 输出特征维度
numResponses = 1;
FiltZise = 10;
%  创建"CNN-LSTM"模型
    layers = [...
        % 输入特征
        sequenceInputLayer([numFeatures 1 1],'Name','input')
        sequenceFoldingLayer('Name','fold')
        % CNN特征提取

......

三，运行结果

资源下载：