基于卷积神经网络-门控循环单元的时间序列预测 CNN-GRU 基于MATLAB环境 替换自己的数据即可 数据回归预测评价指标为RMSE R2 MAE MBE最近在捣鼓时间序列预测的时候试了把CNN和GRU组队干活发现这俩组合拳效果还挺有意思。直接把一维CNN当特征提取器后面接GRU捕捉时序依赖在MATLAB里折腾了几个数据集发现预测效果稳得一批。今天就把这个炼丹过程记录一下附上能直接跑的代码框架。先甩个模型结构图镇楼!CNN-GRU结构示意图基于卷积神经网络-门控循环单元的时间序列预测 CNN-GRU 基于MATLAB环境 替换自己的数据即可 数据回归预测评价指标为RMSE R2 MAE MBE其实核心就两句话CNN负责从时间窗口里抠局部特征GRU拿着这些特征继续琢磨时间规律。这种结构对既有空间模式又有时间依赖的数据特别管用比如电力负荷、股票走势这种磨人的小妖精。上硬货前先准备好数据。假设你有个N×M的矩阵行是时间点列是特征单变量预测就一列。重点是要构造时间窗口像这样% 假设原始数据是data向量 lookback 24; % 时间窗口长度 [X, Y] createTimeSeriesData(data, lookback); % 自己实现的滑动窗口函数 function [features, targets] createTimeSeriesData(data, lookback) num_samples length(data) - lookback; features zeros(num_samples, lookback, 1); % 保持通道数 targets zeros(num_samples, 1); for i 1:num_samples features(i,:,:) data(i:ilookback-1); targets(i) data(ilookback); end end这里要注意归一化别头铁直接用原始数据建议用mapminmax把数据压到[-1,1]之间不然训练时梯度能给你整出骚操作。模型搭建才是重头戏直接上layer大法layers [ sequenceInputLayer(1) % 单变量输入 convolution1dLayer(3, 16, Padding,same) % 3点卷积核 batchNormalizationLayer reluLayer maxPooling1dLayer(2, Stride,2) gruLayer(32, OutputMode,sequence) flattenLayer fullyConnectedLayer(1) regressionLayer];这里有几个坑要注意卷积核别整太大时间序列不像图像需要大感受野GRU层要设OutputMode为sequence才能把完整序列传给后面最后那个flatten是必须的不然全连接层接不上GRU的输出训练参数设置直接抄这个options trainingOptions(adam, ... MaxEpochs, 100, ... MiniBatchSize, 64, ... InitialLearnRate, 0.001, ... LearnRateSchedule,piecewise, ... LearnRateDropPeriod, 30, ... Verbose, 0);实测发现对于多数时间序列数据初始学习率设1e-3刚刚好。如果loss曲线抽风可以试试梯度裁剪options.GradientThreshold 1; % 防梯度爆炸预测结果评价不能只看RMSE四个指标打包带走pred predict(net, XTest); pred postprocess(pred); % 反归一化 rmse sqrt(mean((YTest - pred).^2)); mae mean(abs(YTest - pred)); mbe mean(YTest - pred); r2 1 - sum((YTest - pred).^2)/sum((YTest - mean(YTest)).^2);这里注意MBE平均偏差能看出模型是习惯性高估还是低估比如能源预测中负的MBE说明预测值偏保守。最后说下实际应用时的玄学调参时间窗口长度建议取数据周期的整数倍比如小时数据取24的倍数GRU层节点数别超过特征数量的10倍在池化层后可以加dropout防过拟合但别超过0.3训练时盯着验证集loss连续5个epoch不降就直接早停完整代码骨架已放在GitHub假装有链接替换自己的数据时记得检查维度匹配。遇到维度报错大概率是输入数据的通道数没设置对特别是从CSV导入时别漏了reshape操作。