### CNN-BiLSTM 时间序列预测模型概述 CNN-BiLSTM 是一种结合了卷积神经网络 (CNN) 和双向长短期记忆网络 (BiLSTM) 的混合架构，适用于处理具有复杂模式的时间序列数据。该模型利用 CNN 提取局部特征的能力以及 BiLSTM 对长期依赖性的捕捉能力。 ### 数据预处理 为了构建有效的 CNN-BiLSTM 模型，在训练之前需要对原始时间序列数据进行适当准备： - **标准化**：将输入特征缩放到相同尺度有助于提高收敛速度并改善性能。 - **窗口化切片**：创建固定长度的历史观测作为样本，并将其映射到未来的目标值上。 ```python from sklearn.preprocessing import StandardScaler import numpy as np def preprocess_data(data, lookback=60): scaler = StandardScaler() scaled_data = scaler.fit_transform(data) X, y = [], [] for i in range(len(scaled_data)-lookback): X.append(scaled_data[i:i+lookback]) y.append(scaled_data[i+lookback]) return np.array(X), np.array(y) ``` ### 构建 CNN-BiLSTM 模型结构 通过 Keras API 可以方便地定义上述提到的两部分组合而成的新颖框架。这里展示了一个简单的例子来说明这一点: ```python from tensorflow.keras.models import Sequential from tensorflow.keras.layers import Conv1D, MaxPooling1D, LSTM, Dense, Bidirectional, Dropout model = Sequential([ # 卷积层用于提取局部特征 Conv1D(filters=64, kernel_size=3, activation='relu', input_shape=(lookback, n_features)), MaxPooling1D(pool_size=2), # 双向 LSTM 层允许同时考虑过去和未来的上下文信息 Bidirectional(LSTM(50, activation='relu')), # 输出全连接层 Dense(1) ]) model.compile(optimizer='adam', loss='mse') ``` ### 训练过程 完成以上准备工作之后就可以开始拟合模型参数了。通常情况下会采用批量梯度下降算法迭代更新权重直到满足停止条件为止。 ```python history = model.fit( train_X, train_y, epochs=epochs, batch_size=batch_size, validation_split=validation_split, verbose=verbose_level ) ``` ### 预测与评估 最后一步就是应用已训练好的模型对未来时刻做出推测，并计算相应的误差指标来进行效果评价。 ```python predictions = model.predict(test_X).flatten() # 使用均方根误差(RMSE)衡量预测准确性 rmse = np.sqrt(np.mean((predictions - test_y)**2)) print(f'Test RMSE: {rmse}') ```