### Python中实现CNN-LSTM模型的教程与代码示例 #### 模型概述 CNN-LSTM是一种结合卷积神经网络（Convolutional Neural Network, CNN）和长短时记忆网络（Long Short-Term Memory, LSTM）的混合结构。这种组合能够有效处理具有时空特征的数据集，例如视频帧序列或多维时间序列数据。 --- #### 数据准备 在构建CNN-LSTM模型之前，需要准备好适合该架构的数据形式。通常情况下，输入数据应被重塑为三维张量 `(样本数量, 时间步长, 特征维度)`。如果涉及图像或其他二维空间数据，则可能还需要额外的空间维度[^1]。 ```python import numpy as np # 假设我们有如下形状的时间序列数据 (samples, timesteps, features) X_train = np.random.rand(1000, 10, 5) # 训练集：1000个样本，每条样本含10个时间步，每个时间步有5个特征 Y_train = np.random.randint(0, 2, size=(1000,)) # 对应标签 print(X_train.shape) # 输出: (1000, 10, 5) ``` --- #### 构建CNN-LSTM模型 以下是一个简单的CNN-LSTM模型实现： ```python from tensorflow.keras.models import Sequential from tensorflow.keras.layers import Conv1D, MaxPooling1D, LSTM, Dense, TimeDistributed, Flatten model = Sequential() # 添加一维卷积层 model.add(Conv1D(filters=64, kernel_size=3, activation='relu', input_shape=(10, 5))) model.add(MaxPooling1D(pool_size=2)) # 将卷积后的输出展平并传递给LSTM层 model.add(TimeDistributed(Flatten())) # 添加LSTM层 model.add(LSTM(units=50, activation='tanh')) # 全连接层用于最终分类或回归 model.add(Dense(units=1, activation='sigmoid')) # 如果是二分类问题可使用'sigmoid' # 编译模型 model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy']) # 打印模型概要 model.summary() ``` 上述代码展示了如何通过`TimeDistributed`将卷积操作应用于每一时间步上的特征向量，并随后将其送入LSTM层进行进一步学习。 --- #### 完整训练过程 为了完成整个训练流程，可以按照以下方式执行： ```python history = model.fit( X_train, Y_train, epochs=10, batch_size=32, validation_split=0.2 ) # 绘制损失曲线 import matplotlib.pyplot as plt plt.plot(history.history['loss'], label='Training Loss') plt.plot(history.history['val_loss'], label='Validation Loss') plt.legend() plt.show() ``` 此部分实现了模型的编译、拟合以及可视化验证阶段的表现情况[^2]。 --- #### 应用场景扩展 对于更复杂的任务，比如空气质量预测中的多变量时间序列分析，可以通过调整输入数据来适应具体需求。例如，在环境监测领域中常见的六种污染物浓度(NO₂, PM₂.₅, PM₁₀, CO, O₃, SO₂)，它们共同构成了一个多维时间序列集合[^3]。 ```python def prepare_data(dataframe): """ 准备适用于CNN-LSTM模型的输入数据 参数: dataframe (pd.DataFrame): 包含各污染物列名 ['no2', 'pm2_5', ..., 'so2'] 返回: tuple: (X, y), 其中X为reshape后的numpy数组,y为目标值列表 """ columns_to_use = ['no2', 'pm2_5', 'pm10', 'co', 'o3', 'so2'] values = dataframe[columns_to_use].values.astype('float32') n_steps_in = 10 # 使用过去10天作为输入窗口大小 n_features = len(columns_to_use) X, y = [], [] for i in range(len(values)): end_ix = i + n_steps_in if end_ix >= len(values): break seq_x, seq_y = values[i:end_ix], values[end_ix][0] # 预测第一个目标变量 X.append(seq_x) y.append(seq_y) return np.array(X).reshape((len(X), n_steps_in, n_features)), np.array(y) # 调用函数获取预处理好的数据 data = { 'no2': [random.uniform(0, 100) for _ in range(100)], 'pm2_5': [random.uniform(0, 50) for _ in range(100)], 'pm10': [random.uniform(0, 100) for _ in range(100)], 'co': [random.uniform(0, 1) for _ in range(100)], 'o3': [random.uniform(0, 100) for _ in range(100)], 'so2': [random.uniform(0, 100) for _ in range(100)] } df = pd.DataFrame(data) X_prepared, y_prepared = prepare_data(df) ``` 以上脚本定义了一个辅助方法 `prepare_data()` 来帮助转换原始表格数据到适配于深度学习框架的形式。 ---