五、CNN-LSTM数据驱动模型

CNN-LSTM数据驱动模型

6.1 基本原理

深度学习是机器学习前沿且热门的理论，而其中的两大框架卷积神经网络（CNN）以及长短期记忆网络（LSTM）是深度学习的代表，CNN能过够通过使用卷积核从样本数据中提取出其潜在的特征，而长短期记忆网络LSTM能够捕捉到长期的成分。近年来两者的结合成为研究的热点。卷积神经网络由卷积层和池化层交替叠加而成，在每个卷积层与池化层之间都有relu激活函数作用来加速模型的收敛，在模型中数据经过卷积神经网络的处理，所有特征融合后得到卷积神经网络的特征描述，此时传递数据给LSTM，通常情况下此时输入的数据需要reshape成LSTM处理的类型，LSTM得到新的输入后，确定需要保持与丢弃的，其中保持与丢弃借助sigmoid激活函数完成，任何数据乘1都为其本身，而任何函数乘0都为0，借助该即可选择遗忘以及保存重要的数据。当数据乘1时则代表被保留，从输入门中获取的数据即为我们更新了状态。最后借助输出门确定携带的信息，将新的状态，以及隐藏状态转移到下个时间步。

6.2 CNN-LSTM算法的实现

首先对于输入数据进行读取，本次的处理方法是CNN—LSTM故将数据类型reshape成CNN处理的数据类型，接下来进行数据的标准化处理，这里值得注意的是，搭建模型的目的是为了能够更好的得到预测的数据值，在多次的尝试了正规化的标准方法后，经过多次的调整参数发现，数据的损失始终无法降低到0.5以下下，此时为了输出数据更加的准确，调整了一下数据的标准化，数据依旧时正态分布，但期望值此时非0。

CNN的模块部分采用了两层卷积，两层最大池化，中间包含激活函数，此时CNN得到的数据无法直接输入到LSTM中 ，于是进行reshape使其符合LSTM的输入数据类型，通过LSTM层以及Dropout层的处理，最后在全连接层输出数据。

 

图6-1 CNN-LSTM模型

6.3 结果展示