cnn-lstm时间序列预测matlab代码

以下是一个简单的CNN-LSTM时间序列预测的MATLAB代码示例：

% 加载数据
data = load('data.csv');
X = data(:, 1:end-1);
Y = data(:, end);

% 划分训练集和测试集
train_ratio = 0.8;
train_size = floor(train_ratio * size(X, 1));
train_X = X(1:train_size, :);
train_Y = Y(1:train_size);
test_X = X(train_size+1:end, :);
test_Y = Y(train_size+1:end);

% 构建CNN-LSTM模型
input_layer = sequenceInputLayer(size(X, 2));
conv_layer = convolution2dLayer([3, 1], 64, 'Padding', 'same');
lstm_layer = lstmLayer(128, 'OutputMode', 'last');
dropout_layer = dropoutLayer(0.2);
fully_connected_layer = fullyConnectedLayer(1);
regression_layer = regressionLayer();
layers = [input_layer
          conv_layer
          lstm_layer
          dropout_layer
          fully_connected_layer
          regression_layer];
      
% 设置训练选项
options = trainingOptions('adam', ...
                           'MaxEpochs', 100, ...
                           'MiniBatchSize', 32, ...
                           'GradientThreshold', 1, ...
                           'Shuffle', 'every-epoch', ...
                           'Plots', 'training-progress');

% 训练模型
net = trainNetwork(train_X, train_Y, layers, options);

% 预测测试集
predicted_Y = predict(net, test_X);

% 评估模型
rmse = sqrt(mean((test_Y - predicted_Y).^2));
fprintf('RMSE: %.4f\n', rmse);

这段代码中，我们首先加载数据，然后将其划分为训练集和测试集。接下来，我们构建了一个包含卷积层、LSTM层、dropout层、全连接层和回归层的CNN-LSTM模型。然后我们使用Adam优化器和其他训练选项来训练模型。最后，我们使用训练好的模型来预测测试集，并计算预测值与真实值之间的均方根误差（RMSE）。