cnn和lstm混合预测的python代码

下面是一个使用CNN和LSTM结合的混合模型进行时间序列预测的Python代码示例：

import numpy as np
import pandas as pd
from keras.models import Sequential
from keras.layers import Dense, Dropout, Conv1D, MaxPooling1D, LSTM, Flatten

# 读取数据
data = pd.read_csv('data.csv')

# 数据预处理
X, Y = [], []
for i in range(len(data)-3):
    X.append(data.iloc[i:i+3, 0].values)
    Y.append(data.iloc[i+3, 0])
X, Y = np.array(X), np.array(Y)

# 数据划分
split = int(0.8 * len(X))
X_train, X_test = X[:split], X[split:]
Y_train, Y_test = Y[:split], Y[split:]

# 构建模型
model = Sequential()
model.add(Conv1D(filters=64, kernel_size=2, activation='relu', input_shape=(3, 1)))
model.add(MaxPooling1D(pool_size=2))
model.add(Dropout(0.2))
model.add(Flatten())
model.add(LSTM(32, activation='relu'))
model.add(Dense(1))
model.compile(optimizer='adam', loss='mse')

# 训练模型
model.fit(X_train.reshape((X_train.shape[0], X_train.shape[1], 1)), Y_train, epochs=50, batch_size=16, verbose=2)

# 测试模型
Y_pred = model.predict(X_test.reshape((X_test.shape[0], X_test.shape[1], 1)))

# 输出结果
print('Predicted:', Y_pred)
print('Actual:', Y_test)

在这个例子中，我们首先读取了一个时间序列数据集。然后，我们将这个数据集转换为一个多个时间步长的输入和单个输出的形式，以便我们可以在这个数据上训练一个混合模型。我们使用了一个包含一个卷积层、一个最大池化层、一个Dropout层、一个Flatten层、一个LSTM层和一个Dense层的模型。模型的训练过程中，我们使用了Adam优化器和均方误差（MSE）损失函数。我们在训练过程中迭代了50个周期，批量大小为16。最后，我们使用测试集对模型进行评估，并输出预测结果和实际结果。