代码原理
基于CNN-LSTM的数据回归预测是一种结合卷积神经网络（CNN）和长短期记忆网络（LSTM）的混合模型，适用于处理和预测时间序列数据。以下是该方法的简单原理及流程：
1.原理
（1）卷积神经网络（CNN）：
特征提取：CNN主要用于从输入数据中提取局部特征。通过多个卷积层和池化层，CNN能够有效地捕捉数据中的重要模式和特征。
（2）长短期记忆网络（LSTM）：
序列处理：LSTM是一种特殊的循环神经网络（RNN），设计用来处理和预测时间序列数据。它通过门控机制（输入门、遗忘门和输出门）来控制信息的流动，从而更好地捕捉长期依赖关系，避免了传统RNN中的梯度消失问题。
2.流程
（1）数据准备：
数据收集：收集所需的时间序列数据，确保数据的完整性和准确性。
数据预处理：包括数据清洗、归一化，并将数据分割成训练集和测试集等步骤。
（2）构建模型：
输入层：将预处理后的数据输入模型。
卷积层：使用多个卷积层从输入数据中提取局部特征。每个卷积层之后可能会接一个池化层，以减少特征维度，降低计算复杂度。
LSTM层：将卷积层提取的特征序列输入到LSTM网络中。LSTM层负责捕捉数据的长期时序依赖关系，并生成对应的隐藏状态序列。
全连接层：将LSTM层输出的高维特征映射到目标回归值。
（3）模型训练：
损失函数：选择适合的损失函数（如均方误差）来评估模型的预测误差。
优化器：选择优化算法（如Adam）来调整模型参数，使损失函数最小化。
训练过程：通过多次迭代（epoch），使用训练集进行模型训练，不断优化模型参数。
（4）模型评估：
测试集评估：使用测试集评估模型的预测性能，计算误差指标（如均方误差、均方根误差等）。
调整和优化：根据评估结果，调整模型结构或超参数，进一步提升模型性能。
（5）预测和应用：
实际预测：将新数据输入训练好的模型，进行回归预测。
应用场景：根据具体应用需求，将预测结果用于实际业务决策或其他相关领域。
通过结合CNN和LSTM的优势，该混合模型能够有效地捕捉时间序列数据中的重要特征和长期依赖关系，从而提供高精度的回归预测结果。
部分代码
%% 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%% 导入数据data = readmatrix('回归数据集.xlsx');data = data(:,1:14);res=data(randperm(size(data,1)),:); %此行代码用于打乱原始样本，使训练集测试集随机被抽取，有助于更新预测结果。num_samples = size(res,1); %样本个数% 训练集和测试集划分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for i = 1:size(P_train,2)trainD{i,:} = (reshape(p_train(:,i),size(p_train,1),1,1));endfor i = 1:size(p_test,2)testD{i,:} = (reshape(p_test(:,i),size(p_test,1),1,1));endtargetD = t_train;targetD_test = t_test;numFeatures = size(p_train,1);layers0 = [ ...% 输入特征sequenceInputLayer([numFeatures,1,1],'name','input') %输入层设置sequenceFoldingLayer('name','fold') %使用序列折叠层对图像序列的时间步长进行独立的卷积运算。% CNN特征提取convolution2dLayer([2,1],4,'Stride',[1,1],'name','conv1') %添加卷积层，64，1表示过滤器大小，10过滤器个数，Stride是垂直和水平过滤的步长batchNormalizationLayer('name','batchnorm1') % BN层，用于加速训练过程，防止梯度消失或梯度爆炸reluLayer('name','relu1') % ReLU激活层，用于保持输出的非线性性及修正梯度的问题% 池化层maxPooling2dLayer([2,1],'Stride',2,'Padding','same','name','maxpool') % 第一层池化层，包括3x3大小的池化窗口，步长为1，same填充方式% 展开层sequenceUnfoldingLayer('name','unfold') %独立的卷积运行结束后，要将序列恢复%平滑层flattenLayer('name','flatten')lstmLayer(25,'Outputmode','last','name','hidden1')dropoutLayer(0.2,'name','dropout_1') % Dropout层，以概率为0.2丢弃输入fullyConnectedLayer(1,'name','fullconnect') % 全连接层设置（影响输出维度）（cell层出来的输出层） %regressionLayer('Name','output') ];lgraph0 = layerGraph(layers0);lgraph0 = connectLayers(lgraph0,'fold/miniBatchSize','unfold/miniBatchSize');
