简介本资源是一套面向深度学习初学者与时间序列预测实践者的MATLAB完整实现方案聚焦CNN-LSTM融合模型在多输入单输出回归任务中的工程落地。适用于能源负荷预测、设备退化建模、金融时序拟合等需兼顾局部特征提取与长期依赖建模的实际场景无需额外深度学习框架基础依托MATLAB 2020b及以上版本即可运行。压缩包共5个文件208KB含核心训练脚本CNN_LSTM.m、预处理后的Train.mat/Test.mat数据集、模型结构示意图CNN-LSTM.png及含预测结果、误差指标RMSE、R²与可视化对比的详细分析文档。已有11341人学习下载提供开箱即用的端到端流程从数据加载、CNN特征编码、LSTM时序建模、联合训练到结果评估所有代码模块清晰注释数据已标准化处理便于读者理解架构设计逻辑并快速迁移至自有数据集。1. 项目缘起为什么选择CNN-LSTM做回归预测在时间序列预测、金融量化、工业设备寿命预测这些领域我们常常会遇到一个经典难题数据既有时间上的前后依赖关系又包含了丰富的空间或特征间的结构信息。比如预测未来一小时的电力负荷你不仅要看过去几小时、几天的负荷变化趋势时间依赖还要考虑温度、湿度、工作日/节假日这些并行的特征多输入特征。传统的LSTM模型在处理时间依赖上是一把好手但它默认把所有输入特征“压扁”成一个向量对于特征间可能存在的局部相关性比如相邻传感器读数之间的关联捕捉能力有限。而CNN尤其是1D CNN天生就是提取局部特征和空间模式的高手。所以把CNN和LSTM组合起来让CNN先当“特征工程师”从多通道的输入数据里提炼出高层次、有意义的特征表示再交给LSTM这位“时序专家”去理解和预测未来的走势这个思路在理论上非常诱人。我在处理一个工业设备的振动信号预测项目时就深刻体会到了这种组合的威力。单纯用LSTM模型容易“记住”噪声单纯用CNN又忽略了长期趋势。两者一结合效果和稳定性都上了一个台阶。这个项目就是要把这个强大的CNN-LSTM组合用MATLAB这个在工程和科研领域无比顺手的工具从头到尾实现一遍。我会提供完整的、可运行的源码以及一份示例数据让你能直接跑通并理解每一个环节背后的“所以然”。无论你是刚接触深度学习的学生还是需要在项目中快速验证想法的工程师这份“开箱即用”的代码都能帮你省下大量从零搭建、调试的时间。2. 核心架构拆解CNN-LSTM是如何协同工作的要理解代码先得吃透模型。我们构建的是一个“CNN在前LSTM在后”的串行管道。它的工作流程可以想象成一个精密的流水线。2.1 输入数据的“塑形”从表格到张量假设我们有1000个样本每个样本有8个特征比如温度、压力、转速等我们想用过去10个时间步的数据来预测下一个时间步的某个目标值比如设备剩余寿命。那么一个样本的原始输入数据维度是[10, 8]10步历史 x 8个特征。对于CNN来说它期待的是具有“空间”维度的数据。在1D CNN中我们将这8个特征视为8个不同的“通道”类似于图像的RGB三通道而时间步就是“空间”维度。因此输入CNN的数据形状需要是[10, 1, 8]序列长度 x 1单空间维度 x 特征数。在MATLAB的layerGraph或dlnetwork中我们通常直接使用[10, 8]作为输入网络层会自动处理。2.2 CNN模块特征提取器CNN部分通常由1D卷积层、激活函数和池化层构成。1D卷积层 (convolution1dLayer)这是核心。我们定义过滤器卷积核的数量和大小。例如使用64个大小为3的过滤器。这个层会沿着时间轴滑动在每个时间步上它查看相邻的3个时间点上的所有8个特征计算出一个新的特征图。它的作用是自动学习并组合相邻时间步的特征捕捉局部模式如短期波动、峰值。激活函数层 (reluLayer)引入非线性让网络能够拟合更复杂的函数。1D池化层 (maxPooling1dLayer 或 averagePooling1dLayer)通常使用最大池化池化窗口大小为2。它沿着时间维度进行下采样将卷积层输出的特征图尺寸减半例如从长度10降到长度5。这样做有两个好处一是减少计算量二是增加特征的平移不变性让模型更关注特征是否存在而非其精确位置。经过几层这样的“卷积-激活-池化”组合后原始[10, 8]的输入被转化为了一个更短、但特征更丰富的序列比如[5, 64]5个时间步每个时间步有64个高层次特征。这里有个关键点CNN处理后的输出仍然是一个序列只不过这个序列的长度变短了每个时间步的特征维度变高了。这个序列保留了时间顺序这正是LSTM所需要的。2.3 LSTM模块时序建模器CNN处理后的序列[5, 64]被送入LSTM层。LSTM层有“记忆细胞”和“门控机制”它能够学习序列中长距离的依赖关系。LSTM层 (lstmLayer)我们指定隐藏单元的数量比如100。LSTM会按顺序读取这5个时间步的数据每一步都更新其内部状态。最终我们可以取LSTM最后一个时间步的隐藏状态或者对所有时间步的隐藏状态进行全局平均池化作为整个输入序列的上下文编码。全连接层 (fullyConnectedLayer)将LSTM输出的高维编码例如100维映射到我们想要的输出维度。对于回归任务输出层通常就是一个神经元预测一个连续值。回归输出层 (regressionLayer)这是我们的损失函数层。它计算预测值与真实标签之间的均方误差MSE并在训练中指导网络参数的更新。整个数据流可以概括为多特征时间序列 - 1D CNN (提取局部时空特征) - 压缩后的特征序列 - LSTM (建模长期依赖) - 全连接层 (输出预测) - 计算损失。3. MATLAB环境准备与数据工程实战理论清晰了我们开始动手。首先确保你的MATLAB环境就绪。3.1 工具箱与依赖检查运行深度学习代码你需要安装Deep Learning Toolbox。在MATLAB命令窗口输入ver查看已安装的工具箱列表。如果没有可以通过MATLAB的“附加功能”管理器在线安装。这是基础没有它所有层都无法创建。接下来是数据。我提供了一个示例数据集multivariate_time_series_data.csv。这个数据集模拟了工业场景包含以下列timestamp,feature1,feature2,feature3,target。我们的目标是利用前三个特征预测target。3.2 数据加载与预处理全流程数据预处理是模型成功的基石这里每一步都有讲究。% 1. 加载数据 data readtable(multivariate_time_series_data.csv); % 假设数据已经是按时间排序好的 % 2. 提取特征和目标 features data{:, {feature1, feature2, feature3}}; % 得到一个 N x 3 的矩阵 target data{:, target}; % 得到一个 N x 1 的向量 % 3. 数据标准化至关重要 % 为什么标准化因为CNN和LSTM内部的激活函数如ReLU、Tanh对输入尺度敏感。 % 特征尺度差异过大会导致梯度更新不稳定某些特征权重过大模型难以收敛。 [features_normalized, mu_features, sigma_features] zscore(features); [target_normalized, mu_target, sigma_target] zscore(target); % 保存标准化参数预测时需要反标准化还原到原始尺度 save(scaling_params.mat, mu_features, sigma_features, mu_target, sigma_target);3.3 构建监督学习样本滑动窗口这是时间序列预测的核心步骤。我们需要将一长条序列数据切割成一个个“样本”每个样本包含一段历史窗口和对应的未来目标。function [X, Y] createSequenceData(features, target, seqLength) % features: N x numFeatures 矩阵 % target: N x 1 向量 % seqLength: 历史序列长度比如 10 % X: 样本特征维度为 [numSamples, seqLength, numFeatures] % Y: 样本标签维度为 [numSamples, 1] numSamples size(features, 1) - seqLength; numFeatures size(features, 2); X zeros(numSamples, seqLength, numFeatures); Y zeros(numSamples, 1); for i 1:numSamples X(i, :, :) features(i:iseqLength-1, :); Y(i) target(iseqLength); % 预测下一个时间点 end end % 调用函数假设我们使用过去10个时间步预测下一步 seqLen 10; [X_all, Y_all] createSequenceData(features_normalized, target_normalized, seqLen);这里有个极易踩坑的点数据泄露。绝对不能在全局进行标准化后再划分训练/测试集正确的做法是先按时间顺序划分出训练集和测试集例如前80%训练后20%测试然后只用训练集的均值和标准差来标准化训练集和测试集。否则测试集的信息就“泄露”到了训练过程中模型评估结果会虚高毫无参考价值。上面的代码为了流程清晰做了简化实际项目中必须按此原则操作。3.4 数据集划分与打包% 假设总样本数 totalSamples size(X_all, 1); trainRatio 0.8; numTrain floor(trainRatio * totalSamples); % 按时间顺序划分 X_train X_all(1:numTrain, :, :); Y_train Y_all(1:numTrain); X_test X_all(numTrain1:end, :, :); Y_test Y_all(numTrain1:end); % 转换为MATLAB深度学习网络需要的格式元胞数组 % 每个元胞是一个样本维度为 [seqLength, numFeatures] XTrain {}; YTrain {}; for i 1:size(X_train, 1) XTrain{end1} squeeze(X_train(i, :, :)); % 注意转置使维度为 [numFeatures, seqLength] YTrain{end1} Y_train(i); end % 对X_test, Y_test做同样处理...注意MATLAB的trainNetwork函数对于序列数据要求特征维度在前时间维度在后即[numFeatures, seqLength]。这与许多Python库如PyTorch的[seqLength, numFeatures]约定不同是第一个需要适应的细节。4. 从零搭建CNN-LSTM网络逐层解析与参数抉择环境数据都准备好了现在来搭建网络骨架。我们将使用layerGraph来构建一个清晰的层次结构。inputSize size(XTrain{1}, 1); % 特征数量本例为3 numFeatures inputSize; seqLength size(XTrain{1}, 2); % 序列长度本例为10 layers [ % 输入层指定输入维度 [特征数 序列长度 1(通道数可省略)] sequenceInputLayer([numFeatures 1], Name, input) % 这里1代表单变量序列的通道对于多特征MATLAB会智能处理 % --- CNN 特征提取部分 --- % 第一层卷积扩大特征维度捕捉基础模式 convolution1dLayer(3, 64, Padding, same, Name, conv1) % 滤波器大小364个滤波器same填充保持序列长度 batchNormalizationLayer(Name, bn1) % 批归一化加速训练提升稳定性 reluLayer(Name, relu1) % 可选第二层卷积进一步抽象 convolution1dLayer(3, 128, Padding, same, Name, conv2) batchNormalizationLayer(Name, bn2) reluLayer(Name, relu2) % 池化层降低序列长度减少参数引入平移不变性 maxPooling1dLayer(2, Stride, 2, Name, maxpool1) % 池化窗口2步长2长度减半 % --- LSTM 时序建模部分 --- % 展平层将CNN输出的多维特征图展平成一维向量序列以便输入LSTM % 注意CNN输出维度是 [batch, 新序列长度, 特征图数量]需要展平最后一个维度 flattenLayer(Name, flatten) % LSTM层核心时序层 lstmLayer(100, OutputMode, last, Name, lstm1) % 100个隐藏单元只输出最后一个时间步 % ‘OutputMode’ 设置为 ‘last’ 是回归预测的常见选择我们只关心最终的综合预测。 % 如果你想使用所有时间步的输出例如用于序列到序列的任务可以设为‘sequence’。 % --- 回归输出部分 --- fullyConnectedLayer(50, Name, fc1) % 全连接层进一步非线性组合 reluLayer(Name, relu_fc) fullyConnectedLayer(1, Name, fc_final) % 输出层一个神经元对应预测值 regressionLayer(Name, output) ]; % 使用 layerGraph 可以更灵活地构建复杂网络如残差连接这里简单序列连接即可。 lgraph layerGraph(layers); analyzeNetwork(lgraph) % 强烈建议运行此命令可视化网络结构检查维度是否匹配参数选择背后的思考卷积核大小通常选择3或5。太小如1退化为全连接太大可能过早地融合了过远的时间点信息与LSTM的职责重叠。从3开始尝试是稳妥的。滤波器数量从较小的数量开始如32、64根据模型容量和过拟合情况调整。滤波器越多模型学习能力越强但也更容易过拟合。池化层使用池化能显著减少后续L层的计算量。但要注意池化会丢失精确的时间位置信息。对于某些要求精确时间定位的任务如事件检测可能需要去掉池化层或者使用步长大于1的卷积Strided Convolution来替代。LSTM隐藏单元数这是一个关键超参数。太少模型记不住长期信息太多容易过拟合且训练慢。100是一个常用的起点。你也可以尝试堆叠两层LSTM来增加深度但要注意梯度消失/爆炸问题并可能需要配合dropoutLayer。‘OutputMode’: ‘last’对于多输入单输出回归我们通常只关心基于整个历史序列的最终预测所以取最后一个时间步的输出。如果你的目标是做多步预测序列输出则需要设为‘sequence’并接上sequenceFoldingLayer等处理。5. 模型训练、调优与可视化诊断网络建好了接下来是“炼丹”环节。训练不只是跑个循环更需要观察和调整。5.1 配置训练选项options trainingOptions(adam, ... % 自适应矩估计优化器通常比SGD更快更稳 MaxEpochs, 150, ... % 最大训练轮数 MiniBatchSize, 32, ... % 批大小。太小噪声大太大内存可能不够。32/64是常用值。 InitialLearnRate, 0.001, ... % 初始学习率。Adam对学习率不敏感1e-3或1e-4是好的起点。 LearnRateSchedule, piecewise, ... % 学习率衰减策略 LearnRateDropFactor, 0.5, ... % 衰减因子 LearnRateDropPeriod, 50, ... % 每50轮衰减一次 Shuffle, every-epoch, ... % 每轮打乱数据防止模型学习到顺序偏差 Plots, training-progress, ... % 绘制训练过程图 Verbose, true, ... % 在命令窗口显示训练信息 ValidationData, {XVal, YVal}, ... % 验证集用于监控过拟合 ValidationFrequency, 30, ... % 每30次迭代验证一次 ExecutionEnvironment, auto); % auto (优先GPU), cpu, gpu5.2 启动训练与关键监控net trainNetwork(XTrain, YTrain, lgraph, options);训练开始后重点关注Training-Progress图训练损失 vs 验证损失理想情况是两者同步下降最后稳定在一个较低值。如果训练损失持续下降而验证损失开始上升这是典型的过拟合信号。学习率曲线观察学习率是否按计划衰减。如果损失曲线早早就平了可能是学习率太大导致震荡或者太小导致收敛慢。准确率对于回归是RMSE关注验证集上的表现这是模型泛化能力的真实体现。5.3 过拟合应对策略如果发现过拟合不要慌可以尝试以下“组合拳”数据层面获取更多数据是根本。如果不行可以尝试数据增强对于时间序列如添加轻微噪声、时间扭曲、缩放等。模型层面增加Dropout层在LSTM层后或全连接层后插入dropoutLayer(0.5)。它会随机“丢弃”一部分神经元强制网络学习更鲁棒的特征。L2正则化在trainingOptions中设置‘L2Regularization’, 1e-4惩罚大的权重。简化模型减少LSTM隐藏单元数、减少CNN滤波器数量或层数。训练策略早停Early Stopping在trainingOptions中设置‘ValidationPatience’, 10当验证损失连续10轮不下降时自动停止训练并恢复最佳权重。降低学习率使用更激进的学习率衰减。5.4 模型评估与预测训练完成后在测试集上进行最终评估。% 预测 YPred predict(net, XTest); % XTest需要是元胞数组格式 % YPred也是元胞数组需要转换 YPred cat(1, YPred{:}); % 反标准化将预测值还原到原始尺度 YPred_original YPred * sigma_target mu_target; YTest_original YTest * sigma_target mu_target; % YTest也需要反标准化 % 计算评价指标 mse mean((YPred_original - YTest_original).^2); rmse sqrt(mse); mae mean(abs(YPred_original - YTest_original)); fprintf(测试集 MSE: %.4f\n, mse); fprintf(测试集 RMSE: %.4f\n, rmse); fprintf(测试集 MAE: %.4f\n, mae); % 可视化预测结果 vs 真实值 figure; plot(YTest_original, b, LineWidth, 1.5); hold on; plot(YPred_original, r--, LineWidth, 1.5); legend(真实值, 预测值); xlabel(时间步); ylabel(目标值); title(CNN-LSTM 回归预测结果); grid on;6. 避坑指南与性能优化实战经验纸上得来终觉浅绝知此事要躬行。下面是我在多个项目中总结出的血泪教训和优化技巧。6.1 维度不匹配从报错到解决这是新手最常遇到的问题MATLAB和Python的维度约定不同是罪魁祸首。症状错误提示类似于 “Error using trainNetwork. The training sequences are of feature dimension 10 but the input layer expects sequences of feature dimension 3”。诊断sequenceInputLayer指定的inputSize是特征维度。你的数据XTrain{1}的维度必须是[numFeatures, seqLength]。用size(XTrain{1})检查一下。解决确保在创建序列数据函数createSequenceData中或者之后的数据转换步骤里进行了正确的转置操作squeeze(...)’。6.2 梯度爆炸/消失训练损失变成NaN症状训练刚开始损失值就变成NaN。原因数据未标准化输入特征尺度差异巨大导致梯度计算出现极大值。学习率过高步子太大直接“飞”出了损失函数的合理范围。网络层数太深或初始化不当。解决务必进行数据标准化Z-score或Min-Max。降低初始学习率尝试1e-4或1e-5。在卷积层后、激活函数前加入batchNormalizationLayer。它通过规范化每一层的输入能极大缓解梯度问题并通常能加速收敛。我在几乎所有CNN架构中都会默认加入BN层。对于LSTM可以尝试使用‘GradientThreshold’, 1选项来裁剪梯度。6.3 模型欠拟合损失下不去预测一条直线症状训练和验证损失都很高且下降缓慢预测曲线几乎是条直线无法拟合数据的波动。原因模型容量不足网络太简单如LSTM单元数太少CNN层数太浅。特征信息不足输入特征与目标值相关性很弱。学习率太低收敛速度过慢。解决增加模型复杂度增加LSTM隐藏单元数如从50增加到100或200增加CNN层数或滤波器数量。特征工程回过头检查你的输入特征。尝试构造更有意义的特征例如移动平均、差分、与目标值的滚动相关系数等。适当提高学习率或使用学习率预热‘WarmupPeriod’选项。6.4 过拟合的进阶处理除了前面提到的Dropout和正则化还有更精细的策略在LSTM层上使用DropoutlstmLayer(100, ‘OutputMode’, ‘last’, ‘Dropout’, 0.2)这里的Dropout是在LSTM循环连接上应用的能有效防止LSTM单元之间的协同适应。监控每个层的激活分布使用analyzeNetwork查看网络后可以点击层查看激活情况。如果某些层的激活值大部分为0ReLU死亡可能需要调整初始化或加入BN层。集成学习训练多个不同初始化的CNN-LSTM模型对它们的预测结果取平均。这能有效降低方差提升泛化能力但计算成本会成倍增加。6.5 提升训练速度与效率使用GPU确保‘ExecutionEnvironment’, ‘gpu’并将数据通过gpuArray传输到GPU。对于CNN-LSTM这种计算密集型模型GPU能带来数十倍的加速。优化MiniBatchSize在GPU内存允许的范围内尽量调大MiniBatchSize如64, 128。更大的批次能使梯度估计更准确同时更充分利用GPU的并行计算能力。使用预训练或迁移学习如果适用虽然对于时间序列回归标准的预训练模型不多但如果你有多个相似场景的数据集可以在一个大数据集上训练好一个CNN-LSTM模型然后将其特征提取部分CNNLSTM冻结只微调最后的全连接层用于新的小数据集任务。7. 完整源码结构与使用指南为了方便你直接使用和修改我将完整的项目结构梳理如下。你可以按照这个结构组织你的MATLAB工作目录。CNN_LSTM_Regression_Project/ │ ├── data/ │ ├── multivariate_time_series_data.csv % 示例数据 │ └── scaling_params.mat % 保存的标准化参数 │ ├── src/ │ ├── main.m % 主脚本运行入口 │ ├── loadAndPreprocessData.m % 数据加载与预处理函数 │ ├── createSequenceData.m % 构建监督学习样本函数 │ ├── buildCNNLSTMModel.m % 定义网络结构函数 │ ├── trainAndEvaluateModel.m % 训练与评估函数 │ └── predictNewData.m % 对新数据进行预测的函数 │ ├── models/ │ └── trained_cnn_lstm_net.mat % 训练好的模型文件运行后保存 │ └── results/ ├── training_progress.fig % 训练过程图 └── prediction_vs_actual.fig % 预测结果对比图main.m核心流程概览%% 主脚本CNN-LSTM回归预测 clear; close all; clc; % 1. 添加路径 addpath(genpath(./src)); % 2. 加载与预处理数据 [XTrain, YTrain, XTest, YTest, scaling_params] loadAndPreprocessData(data/multivariate_time_series_data.csv, 0.8, 10); fprintf(数据预处理完成。训练样本数%d, 测试样本数%d\n, length(XTrain), length(XTest)); % 3. 构建CNN-LSTM模型 inputSize size(XTrain{1}, 1); lgraph buildCNNLSTMModel(inputSize); analyzeNetwork(lgraph); % 可视化网络结构可选 % 4. 配置训练选项并训练 options trainingOptions(adam, ... MaxEpochs, 150, ... MiniBatchSize, 32, ... InitialLearnRate, 0.001, ... LearnRateSchedule, piecewise, ... LearnRateDropFactor, 0.5, ... LearnRateDropPeriod, 50, ... Shuffle, every-epoch, ... Plots, training-progress, ... Verbose, true, ... ValidationData, {XTest, YTest}, ... % 这里用测试集当验证集仅为演示。实际应单独划分验证集。 ValidationFrequency, 30, ... ExecutionEnvironment, gpu); [net, info] trainNetwork(XTrain, YTrain, lgraph, options); % 5. 保存模型 save(./models/trained_cnn_lstm_net.mat, net, scaling_params); % 6. 评估模型 [rmse, mae, predictionFig] trainAndEvaluateModel(net, XTest, YTest, scaling_params); fprintf(模型评估完成。RMSE: %.4f, MAE: %.4f\n, rmse, mae); % 7. 示例使用模型预测新数据 % 假设有一段新数据 newFeaturesRaw [M x numFeatures] % [newFeaturesNormalized] (newFeaturesRaw - mu_features) ./ sigma_features; % [newSeq] createSequenceData(newFeaturesNormalized, [], seqLength); % 创建序列 % [newPred] predict(net, newSeq); % newPredOriginal newPred * sigma_target mu_target;如何使用这份代码将multivariate_time_series_data.csv替换成你自己的数据。确保数据格式为表格或矩阵列是特征行是时间点。在loadAndPreprocessData.m中修改特征列名和目标列名以匹配你的数据。根据你的数据特性调整buildCNNLSTMModel.m中的网络结构层数、滤波器数、LSTM单元数。在main.m中调整训练超参数学习率、轮数、批大小等。运行main.m。观察训练过程图根据第6节的指南调整模型或参数以应对欠拟合/过拟合。训练完成后使用predictNewData.m函数加载保存的模型并对新数据进行预测。这个项目提供了一个完整的、可复现的CNN-LSTM回归预测框架。它不仅仅是一段代码更是一个理解如何将深度学习应用于时序预测的实践模板。希望你在使用和修改它的过程中能更深入地掌握模型的工作原理、MATLAB深度学习工具箱的细节以及解决实际预测问题的系统方法。本文还有配套的精品资源点击获取