CNN-LSTM多变量回归预测（Matlab 2020b及更高版本）

CNN-LSTM多变量回归预测（Matlab） 基于卷积-长短期记忆网络（CNN-LSTM）的数据回归预测 1.CNN结合LSTM做拟合回归预测，数据多维输入单维输出，代码内注释详细，直接替换数据就可以使用 2.运行环境Matlab2020b及以上； 3.多输入单输出，数据回归预测； 4.CNN_LSTMNN.m为主文件，data为数据； 5.所有程序经过验证，保证运行 注意：数据和文件放在一个文件夹运行。

卷积神经网和LSTM这对组合拳在时序预测领域算是老搭档了。咱们今天要聊的这套CNN-LSTM混合模型，专治各种不服——尤其是那种多个传感器数据怼脸，最后只要预测一个关键指标的场合。比如工厂里十几台设备振动数据预测设备寿命，或者气象站多维数据预测温度变化，都是它的拿手好戏。

先看数据怎么喂给模型。假设你手头有个CSV文件，第一列是时间戳，后面跟着风速、气压、湿度等六个气象参数，最后一列是要预测的降水量。这时候数据预处理就得这么玩：

data = readmatrix('weather_data.csv'); train_data = data(1:800,2:7); % 取前800行6个特征 train_label = data(1:800,8); % 降水量作为标签 test_data = data(801:end,2:7); test_label = data(801:end,8); % 数据归一化（重要！） [input_train, input_ps] = mapminmax(train_data', 0, 1); [output_train, output_ps] = mapminmax(train_label', 0, 1); input_test = mapminmax('apply', test_data', input_ps);

这里有个坑要注意：归一化必须用训练集的参数来处理测试集，不然就数据泄漏了。见过有人直接用全量数据归一化，结果过拟合到亲妈都不认识。

模型架构才是重头戏。咱们的CNN-LSTM网络结构长这样：

layers = [ sequenceInputLayer(6) % 对应6个输入特征 convolution1dLayer(3, 64, 'Padding','same') % 一维卷积核 batchNormalizationLayer reluLayer maxPooling1dLayer(2,'Stride',2) convolution1dLayer(3, 128, 'Padding','same') batchNormalizationLayer reluLayer maxPooling1dLayer(2,'Stride',2) lstmLayer(100, 'OutputMode','sequence') dropoutLayer(0.2) fullyConnectedLayer(50) reluLayer fullyConnectedLayer(1) regressionLayer];

这个结构里卷积层相当于特征提取器，专门捕捉局部时序模式。比如3个时间步长的卷积核，可以抓住类似"气压骤降+风速突增"这种组合特征。后面的LSTM层则负责捕捉长期依赖，比如连续三天的湿度变化趋势。

CNN-LSTM多变量回归预测（Matlab） 基于卷积-长短期记忆网络（CNN-LSTM）的数据回归预测 1.CNN结合LSTM做拟合回归预测，数据多维输入单维输出，代码内注释详细，直接替换数据就可以使用 2.运行环境Matlab2020b及以上； 3.多输入单输出，数据回归预测； 4.CNN_LSTMNN.m为主文件，data为数据； 5.所有程序经过验证，保证运行 注意：数据和文件放在一个文件夹运行。

训练配置这块别手软，该砸资源就砸：

options = trainingOptions('adam', ... 'MaxEpochs', 150, ... 'MiniBatchSize', 64, ... 'InitialLearnRate', 0.001, ... 'LearnRateSchedule','piecewise', ... 'LearnRateDropPeriod', 50, ... 'LearnRateDropFactor', 0.2, ... 'GradientThreshold', 1, ... 'Shuffle','every-epoch', ... 'Plots','training-progress', ... 'Verbose',0);

注意学习率调整策略，前50轮猛学，后面开始收敛时适当降速。遇到梯度爆炸也别慌，设置GradientThreshold=1相当于给梯度加了个安全阀。

预测阶段记得把输出数据反归一化：

pred = predict(net, input_test); pred = mapminmax('reverse', pred, output_ps); figure plot(test_label,'b') hold on plot(pred,'r') legend('真实值','预测值') title('预测效果对比')

这里经常有人忘记反归一化，结果看着预测曲线在0-1之间一脸懵逼。可视化时建议用hold on把真实值和预测值叠在同一张图上，对比更直观。

实际跑代码时可能会遇到内存不足的问题，特别是数据量大的时候。这时候可以调整MiniBatchSize，或者试试把卷积层的filter数量减半。另外，如果发现验证集loss早早就停止下降，不妨把LSTM层的dropout率提到0.3试试。

最后说个骚操作：在工业场景部署时，可以把训练好的网络转成ONNX格式，再通过Matlab Coder生成C++代码，直接集成到嵌入式设备里实时预测。这套流程我们团队在风电故障预测项目里验证过，延迟能控制在50ms以内。