CNN-LSTM预测代码

以下是一个简单的CNN-LSTM预测代码示例，用于预测时间序列数据：

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

# 加载数据
data = pd.read_csv('data.csv')

# 数据预处理
scaler = MinMaxScaler(feature_range=(0, 1))
scaled_data = scaler.fit_transform(data)

# 划分训练集和测试集
train_size = int(len(scaled_data) * 0.7)
train_data = scaled_data[0:train_size, :]
test_data = scaled_data[train_size:len(scaled_data), :]

# 创建训练集和测试集
def create_dataset(dataset, look_back):
    X, Y = [], []
    for i in range(len(dataset) - look_back - 1):
        a = dataset[i:(i + look_back), 0]
        X.append(a)
        Y.append(dataset[i + look_back, 0])
    return np.array(X), np.array(Y)

look_back = 30
trainX, trainY = create_dataset(train_data, look_back)
testX, testY = create_dataset(test_data, look_back)

# 将数据重塑为3D格式，以便输入到CNN-LSTM模型中
trainX = np.reshape(trainX, (trainX.shape[0], trainX.shape[1], 1))
testX = np.reshape(testX, (testX.shape[0], testX.shape[1], 1))

# 创建CNN-LSTM模型
model = Sequential()
model.add(Conv1D(filters=64, kernel_size=3, activation='relu', input_shape=(look_back, 1)))
model.add(Conv1D(filters=64, kernel_size=3, activation='relu'))
model.add(Dropout(0.5))
model.add(MaxPooling1D(pool_size=2))
model.add(LSTM(100))
model.add(Dropout(0.5))
model.add(Dense(1))

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

# 训练模型
model.fit(trainX, trainY, epochs=50, batch_size=64)

# 在测试集上进行预测
testPredict = model.predict(testX)

# 反归一化预测值
testPredict = scaler.inverse_transform(testPredict)

# 反归一化观察值
testY = scaler.inverse_transform([testY])

# 计算均方根误差
rmse = np.sqrt(np.mean((testPredict - testY) ** 2))
print('Test RMSE: %.3f' % rmse)

该代码包括以下步骤：

1. 加载数据并进行数据预处理；
2. 划分训练集和测试集；
3. 创建训练集和测试集；
4. 将数据重塑为3D格式，以便输入到CNN-LSTM模型中；
5. 创建CNN-LSTM模型；
6. 编译模型；
7. 训练模型；
8. 在测试集上进行预测；
9. 反归一化预测值和观察值；
10. 计算均方根误差（RMSE）。

请注意，该代码仅用于演示目的。实际上，您可能需要根据您的数据和问题进行一些修改和调整。