cnn-gru时间序列预测

CNN-GRU是一种融合了卷积神经网络（CNN）和门控循环单元（GRU）的神经网络模型，常用于时间序列预测任务。其主要优势是可以自动提取时序数据的空间和时间特征，从而更好地捕捉数据的非线性关系。

下面是一个简单的CNN-GRU时间序列预测模型的示例代码，使用Python和Keras实现：

from keras.models import Sequential
from keras.layers import Dense, Dropout, GRU, Conv1D, MaxPooling1D

# 创建模型
model = Sequential()

# 添加卷积层和最大池化层
model.add(Conv1D(filters=64, kernel_size=3, activation='relu', input_shape=(n_timesteps, n_features)))
model.add(Conv1D(filters=64, kernel_size=3, activation='relu'))
model.add(MaxPooling1D(pool_size=2))

# 添加门控循环单元层
model.add(GRU(units=50, return_sequences=True))
model.add(Dropout(0.2))
model.add(GRU(units=50))
model.add(Dropout(0.2))

# 添加输出层
model.add(Dense(units=1))

# 编译模型
model.compile(optimizer='adam', loss='mse')

# 训练模型
model.fit(X_train, y_train, epochs=100, batch_size=32, validation_data=(X_test, y_test))

其中，`n_timesteps`和`n_features`分别表示时间步长和特征数，`X_train`和`y_train`表示训练集的输入和输出，`X_test`和`y_test`表示测试集的输入和输出。在训练模型时，我们可以使用均方误差（MSE）作为损失函数，使用随机梯度下降（SGD）等优化器进行参数优化。