1DCNN-LSTM时间序列预测

使用1D CNN和LSTM进行时间序列预测的方法
构建混合模型架构
为了有效捕捉局部特征并利用长时间依赖关系，通常采用先通过一维卷积神经网络(1D CNN)提取短期模式再输入到长短期记忆单元(LSTM)中进一步分析的方式。这种组合能够更好地理解复杂的时间序列结构[^1]。
准备工作环境与库导入
在Python环境中安装必要的软件包如TensorFlow或PyTorch，并引入所需模块：
import numpy as np
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Conv1D, MaxPooling1D, Flatten, Dense, LSTM
登录后复制
创建自定义数据预处理器
针对特定应用场景调整数据格式，确保其适合喂给构建好的模型；这可能涉及到窗口滑动、标准化等操作:
def create_dataset(dataset, look_back=1):
dataX, dataY = [], []
for i in range(len(dataset)-look_back-1):
a = dataset[i:(i+look_back), 0]
dataX.append(a)
dataY.append(dataset[i + look_back, 0])
return np.array(dataX), np.array(dataY)

# 假设我们有一个名为dataframe的数据框对象存储着原始时间序列数值，
# 并且已经完成了缺失值填充和平稳化处理等工作。
dataset = dataframe.values.astype('float32')
scaler = MinMaxScaler(feature_range=(0, 1))
dataset = scaler.fit_transform(dataset.reshape(-1, 1))

train_size = int(len(dataset) * 0.67)
test_size = len(dataset) - train_size
train, test = dataset[0:train_size,:], dataset[train_size:len(dataset),:]

look_back = 100
trainX, trainY = create_dataset(train, look_back)
testX, testY = create_dataset(test, look_back)

# 将输入重塑成[LSTM样本数, 时间步长, 特征数量]的形式
trainX = np.reshape(trainX, (trainX.shape[0], trainX.shape[1], 1))
testX = np.reshape(testX, (testX.shape[0], testX.shape[1], 1))
登录后复制
定义并编译模型
创建一个顺序堆叠各层的简单模型实例，其中包含一层或多层的一维卷积层后面跟着池化层，最后连接至扁平化层之后送入LSTM层继续加工直至输出全连接层得到最终预测结果：
model = Sequential()
model.add(Conv1D(filters=64, kernel_size=2, activation='relu', input_shape=(look_back, 1)))
model.add(MaxPooling1D(pool_size=2))
model.add(Flatten())
model.add(Dense(50, activation='relu'))
model.add(Dense(1)) # 输出层只有一个节点因为这是一个回归问题而不是分类任务
model.compile(optimizer='adam', loss='mean_squared_error')

history = model.fit(trainX, trainY, epochs=20, batch_size=1, verbose=2)
登录后复制
上述代码片段展示了如何使用Keras框架快速搭建起这样一个融合了CNN特性和LSTM优势的时间序列预测工具[^2]。