项目介绍 MATLAB实现基于CNN-LSTM卷积神经网络（CNN）结合长短期记忆网络（LSTM）进行多变量时序预测（含模型描述及部分示例代码）专栏近期有大量优惠还请多多点一下关注加油谢谢你的

xiaoxingkongyuxi

208人浏览 · 2026-05-29 20:07:23

xiaoxingkongyuxi · 2026-05-29 20:07:23 发布

MATLAB实现基于CNN-LSTM卷积神经网络（CNN）结合长短期记忆网络（LSTM）进行多变量时序预测的详细项目实例

项目背景介绍

CNN-LSTM 多变量时序预测项目面向的是具有多源输入、强时序依赖、局部模式明显且长期演化规律复杂的预测任务。在工业制造、能源调度、交通流量、环境监测、金融风控、设备健康管理等场景中，数据通常不是单一序列，而是由温度、湿度、压力、振动、电流、转速、负载、风速、辐照度、价格、成交量等多个变量共同构成。这类数据既包含相邻时刻之间的连续变化特征，也包含多变量之间的交互关系，还可能存在周期性、趋势性、突变性、噪声干扰与缺失值问题。传统时间序列方法在处理单变量、弱非线性、稳定平稳序列时表现较好，但面对高维输入和复杂耦合关系时，往往难以同时捕捉局部模式和长距离依赖，预测精度与泛化能力都会受到限制。

卷积神经网络擅长从局部窗口中提取结构性特征，能够在时序片段中识别短期波动模式、局部峰谷、局部斜率变化以及不同变量之间的局部组合特征。长短期记忆网络则擅长建模序列内部的长期依赖，通过门控机制记住重要历史信息并抑制无关噪声，特别适合处理具有延迟效应、累计效应和状态传递特性的时间序列。将 CNN 与 LSTM 结合后，可先利用卷积层对输入序列做局部特征提取与压缩，再交由 LSTM 对高层时序表示进行动态建模，从而同时兼顾短期模式识别与长期依赖学习。这种组合结构在多变量预测任务中具有明显优势，尤其适用于输入维度较高、时间跨度较长、目标变量受多个外部因素共同影响的实际问题。

在 MATLAB 环境中构建该类项目，优势在于数据预处理、矩阵运算、深度学习网络搭建、模型训练、结果可视化与工程化部署链路较为完整，能够快速形成可运行、可调试、可复现实验流程。对于 R2025b 版本，还需要关注深度学习与可视化接口的变化，确保网络层、训练选项、图形界面与评估过程符合当前版本规范。项目通常从原始多变量数据出发，经过缺失值处理、异常值检测、归一化、滑动窗口构造、训练验证划分，再进入 CNN-LSTM 建模阶段。训练完成后，对预测值进行反归一化与误差分析，并通过 RMSE、MAE、MAPE、R2 等指标评估性能。若数据具有多步预测需求，还可扩展为多输出回归结构，实现未来多个时刻的联合预测。

此类项目的现实意义非常突出。对于设备状态预测，能够提前识别故障征兆；对于新能源场景，能够提高功率预测准确率以支撑调度；对于交通系统，能够辅助拥堵预判与资源配置；对于金融与商业领域，能够支持趋势研判、库存控制与风险控制。CNN-LSTM 不仅是一种算法组合，更是一套兼顾特征提取、时序记忆与工程落地的建模方法，适合在 MATLAB 中形成标准化、多场景复用的多变量时序预测方案。

项目目标与意义

一、提升多变量时序预测精度

该项目的首要目标是提升复杂多变量序列的预测精度。实际业务中的时间序列往往并非由单一因素驱动，而是受多个外生变量与历史状态共同影响，例如温度会影响负载，湿度会影响设备散热，速度与振动会共同指示机械状态，价格与成交量会共同反映市场情绪。CNN-LSTM 的核心价值在于将局部模式识别与长期记忆建模结合起来，使模型既能发现短时窗口中的关键变化，也能学习跨时间跨度的演化规律。相比单纯的 LSTM 或传统回归模型，这种结构在高维输入下通常更容易捕捉复杂非线性关系。项目通过设计合理的输入窗口、输出步长与特征组织方式，让模型对目标变量形成更稳定的拟合能力，从而在真实数据上获得更低误差、更高相关性和更强鲁棒性。

二、增强复杂场景下的泛化能力

多变量时序任务往往存在明显的数据分布漂移问题，例如季节更替、工况切换、设备老化、政策调整、市场波动等都会改变原有规律。若模型过度依赖某些局部样本模式，极易出现训练集表现良好、测试集表现下降的问题。项目的另一目标是通过 CNN 的局部特征抽取与 LSTM 的时序记忆机制，构建对噪声和短期扰动更不敏感的表示，使模型具备更稳定的泛化能力。配合标准化、滑动窗口、验证集监控、早停和正则化策略，可以有效控制过拟合现象。对于多变量输入而言，不同维度的数据量纲差异也可能影响学习效果，统一的数据预处理流程有助于提升跨场景适应能力。最终目标不是只在某一段历史数据上获得高分，而是在未来不同阶段依然保持可靠预测水平。

三、服务工程决策与实时分析

该项目的意义不仅体现在精度提升，更体现在可用于工程决策。多变量时序预测的结果可以直接应用于调度优化、设备维护、库存管理、能源分配、风险预警等环节。若模型能够提前给出未来趋势，就能帮助业务系统提前准备资源，减少突发情况带来的损失。CNN-LSTM 的结构适合在线更新或周期性重训，也适合与监控系统结合形成预测驱动的决策闭环。通过 MATLAB 的可视化能力，可以对预测曲线、误差分布和残差结构进行直观分析，让结果不仅“可算”，而且“可看”“可解释”。这一点对工程落地非常关键，因为管理者更容易依据趋势图与误差图调整策略，从而让模型输出真正转化为业务价值。

四、形成可复用的建模范式

该项目还有一个重要意义，是沉淀一套可复用的多变量时序建模范式。面对不同类型的时间序列问题，只要调整输入变量、窗口长度、输出目标和训练参数，就可以快速迁移到新的场景中。项目不仅训练一个模型，更是形成从数据整理、特征构造、网络设计、训练评估到结果分析的完整流程模板。对于后续扩展，如多步预测、注意力机制增强、混合优化算法、超参数搜索、在线增量训练等，都可以在此基础上继续迭代。这样既能减少重复开发成本，也能提升项目工程一致性，使时序预测从一次性实验转变为可持续演进的分析体系。

项目挑战及解决方案

一、多源数据异构与噪声干扰

多变量时序数据最常见的挑战之一，是不同变量之间量纲差异明显、采样频率不一致、缺失值分布不均、异常点频繁出现。部分变量可能变化平稳，部分变量却存在强波动或突发跳变，如果直接输入模型，容易导致训练不稳定，甚至使网络将噪声当作有效规律学习进去。解决这类问题的关键在于建立严格的数据清洗与标准化流程。首先对缺失值进行插值或局部修复，对异常点采用统计阈值、箱线规则或滑动窗口检测进行处理；其次统一尺度，使用 z-score 或 min-max 归一化，确保各变量在同一数值范围内参与训练；再次通过滑动窗口切片，把原始长序列转为监督学习样本，使模型在固定长度上下文中学习局部结构。对于噪声较大的变量，还可以结合特征筛选和相关性分析，保留对目标变量贡献更高的输入维度。这样既减少无效信息干扰，也为后续卷积与循环建模打下稳定基础。

二、长短期依赖同时建模困难

时序任务既包含短期局部波动，也包含长期趋势、周期和状态迁移。只依赖卷积层容易忽略跨较长时间跨度的记忆，只依赖循环网络又可能对短期结构提取不足，而且在高维输入下训练效率也会下降。CNN-LSTM 的优势在于分工明确：CNN 先对局部片段做特征抽象，将原始序列压缩成更高层的表示；LSTM 再在这些表示上学习时间依赖关系，从而兼顾局部与全局信息。但结构设计不当时，卷积核大小、池化方式、LSTM 层数、隐藏单元数都会影响效果。解决方案是通过小范围网格调参与验证集监控选择合适架构，同时保持模型深度适中，避免过深造成梯度问题。若序列特别长，可以增加卷积提取层数或采用更长窗口；若数据量较小，则应减少层数并加强正则化。核心思路是让卷积负责“看局部”，让 LSTM 负责“记长程”，并通过合理的输入组织方式保证两者协同。

三、过拟合与评估失真风险

深度模型在时序任务中很容易出现过拟合，尤其是在样本量不足、输入变量过多、网络容量过大或者训练轮次过长的情况下。过拟合不仅会导致测试误差上升，还会让模型在真实业务中的稳定性变差。为降低这类风险，训练过程中需要引入验证集、早停、学习率衰减和适当正则化，同时避免过度复杂的网络结构。对于评估环节，必须严格区分训练集、验证集和测试集，不能随机打乱后再随意拆分，否则会破坏时间序列的先后关系，引入信息泄漏。更稳妥的方式是按时间顺序切分数据，确保未来信息不会提前进入训练阶段。评价指标也要多维度组合，不能只看单一误差值，而应同时查看 RMSE、MAE、MAPE 和相关性指标，并绘制真实值与预测值曲线、残差分布图与误差随时间变化图。通过这样的流程，才能真实反映模型在时序预测中的实战能力。

项目模型架构

一、输入层与滑动窗口组织

模型输入层承担的是时序样本组织任务。多变量时间序列不能直接按原始整段输入，而需要通过滑动窗口把连续时间片段转成固定尺寸样本。每个样本包含过去若干时刻的多维特征，标签则对应未来某一时刻或未来多个时刻的目标值。这样处理后，原始序列被映射为监督学习形式，便于 CNN 与 LSTM 学习。输入矩阵通常可表示为时间步长度乘变量维数的二维结构，进入深度网络前再根据层结构要求进行维度重排。滑动窗口的核心原理在于把“历史上下文”显式提供给模型，使模型能够从局部时间范围内学习变化规律，并通过窗口步长控制样本数量与时间连续性之间的平衡。窗口过短会丢失长期信息，窗口过长会增加噪声和计算成本，因此需要结合领域知识与验证结果综合确定。

二、卷积特征提取层

卷积层是 CNN-LSTM 中的第一类核心模块，负责从连续时间片段中抽取局部模式。其基本原理是使用可学习卷积核在时间维度上滑动，对相邻时刻的多变量组合进行加权汇总，从而识别局部趋势、峰值、突变、周期片段与变量耦合模式。对于多变量序列，卷积不仅能提取单个变量的局部变化，还能捕捉变量之间在近邻时间内的联合特征。若采用一维卷积，通常更适合处理时间轴上的序列；若输入已整理成图像式表示，也可以利用二维卷积，但在时序预测中，一维卷积更自然。卷积层的优势在于局部感受野和参数共享，这使模型能够在保持较低参数量的同时有效提取模式。配合激活函数后，卷积输出会形成更稠密、更具区分性的高层表征，为后续 LSTM 提供更干净的输入。

三、LSTM 时序记忆层

LSTM 层负责建模长短期依赖关系，是整个架构中的时序核心。其基本机制由输入门、遗忘门、输出门和细胞状态构成。输入门决定哪些新信息进入记忆单元，遗忘门控制哪些历史状态需要保留或清除，输出门则决定当前时刻向外输出多少状态信息。与普通循环网络相比，LSTM 通过门控结构显著缓解梯度消失问题，更适合学习长序列中的累计效应、滞后效应与状态转移。卷积层输出的高层特征进入 LSTM 后，模型不再面对原始噪声数据，而是处理经过局部提炼的序列表征，因此更容易学习稳定的时间演化规律。对于多变量时序预测，LSTM 常被用于从历史窗口中提取最终时刻的隐藏状态，或通过序列到序列结构输出多步预测结果。该层的隐藏单元数量需要根据样本规模和任务复杂度进行平衡，过少会欠拟合，过多则增加过拟合风险。

四、全连接回归输出层

全连接层和回归输出层负责把高维时序表示映射为最终预测值。LSTM 输出的隐藏状态往往仍是较高维向量，不能直接作为目标预测，需要通过全连接映射学习输出空间与目标变量之间的关系。若任务是单步预测，输出层通常对应一个回归值或一个目标向量；若任务是多步预测，则输出层可扩展为多个神经元分别对应未来多个时刻的目标。其基本原理是利用线性组合或激活映射，把深层特征转化为具体数值输出。对于回归任务，最后一层通常不使用分类式激活，而采用线性输出，以便保持数值连续性。该层虽然结构简单，却决定了模型的最终预测表现，尤其在多目标回归中，需要确保输出维度与标签维度严格一致，避免维度错误或训练不收敛。合理设计输出层，有助于将前面提取的复杂时序特征转化为稳定、可解释的预测结果。

五、损失函数、优化器与评估机制

模型训练阶段通常采用均方误差作为回归损失函数，因为它能直接度量预测值与真实值之间的平方偏差，并对较大误差给予更强惩罚。优化器常选择 Adam，它结合了动量与自适应学习率机制，适合处理非平稳时序数据和较复杂网络结构，能够在训练早期加快收敛，在后期稳定参数更新。评估机制则不只依赖训练损失，而要同时引入验证集损失、测试集误差以及可视化分析。RMSE 反映总体误差尺度，MAE 反映平均偏差，MAPE 反映相对误差比例，R2 反映拟合优度。通过这些指标组合，可以较全面评估模型在不同阶段的表现。若训练过程中验证误差持续下降而测试误差上升，则说明模型开始过拟合，需要调整层数、学习率或正则项。整个架构的最后一环不是单纯输出数字，而是形成一个可诊断、可迭代、可优化的闭环系统。

项目模型描述及代码示例

一、数据读取与时间序列整理

data = readmatrix('multivar_series.csv'); % 从CSV文件读取多变量时序原始数据，矩阵每一列对应一个变量

timeIndex = data(:,1); % 提取第一列时间索引，便于后续按时间顺序组织样本

Xraw = data(:,2:end-1); % 提取中间多变量特征列，作为模型输入候选特征

Yraw = data(:,end); % 提取最后一列作为预测目标变量

missingMask = any(isnan(Xraw),2) | isnan(Yraw); % 标记含缺失值的样本行，避免直接进入训练

Xraw(missingMask,:) = []; % 删除输入特征存在缺失的样本行，保证样本完整性

Yraw(missingMask,:) = []; % 删除目标存在缺失的样本行，保证输入输出严格对齐

timeIndex(missingMask,:) = []; % 删除对应时间索引，确保时间轴连续一致

二、归一化与训练测试划分

trainRatio = 0.7; % 设置训练集比例，保留足够历史样本用于模型学习

valRatio = 0.15; % 设置验证集比例，用于超参数和过拟合监控

numObs = size(Xraw,1); % 获取总样本数量，作为切分基准

idxTrainEnd = floor(numObs * trainRatio); % 计算训练集结束位置，按时间顺序切分避免信息泄漏

idxValEnd = floor(numObs * (trainRatio + valRatio)); % 计算验证集结束位置，形成训练、验证、测试三段

XtrainRaw = Xraw(1:idxTrainEnd,:); % 取训练输入段，保持时间先后顺序

YtrainRaw = Yraw(1:idxTrainEnd,:); % 取训练目标段，与输入一一对应

XvalRaw = Xraw(idxTrainEnd+1:idxValEnd,:); % 取验证输入段，用于模型调参

YvalRaw = Yraw(idxTrainEnd+1:idxValEnd,:); % 取验证目标段，与验证输入对应

XtestRaw = Xraw(idxValEnd+1:end,:); % 取测试输入段，用于最终评估

YtestRaw = Yraw(idxValEnd+1:end,:); % 取测试目标段，用于最终性能检验

muX = mean(XtrainRaw,1); % 计算训练集特征均值，作为标准化基准

sigX = std(XtrainRaw,0,1) + eps; % 计算训练集特征标准差并加eps防止除零

Xtrain = (XtrainRaw - muX) ./ sigX; % 对训练输入标准化，使各变量尺度一致

Xval = (XvalRaw - muX) ./ sigX; % 使用训练集参数标准化验证输入，保持分布一致

Xtest = (XtestRaw - muX) ./ sigX; % 使用训练集参数标准化测试输入，避免数据泄漏

muY = mean(YtrainRaw,1); % 计算目标均值，便于后续反归一化

sigY = std(YtrainRaw,0,1) + eps; % 计算目标标准差，避免数值不稳定

Ytrain = (YtrainRaw - muY) ./ sigY; % 对目标值标准化，提升回归训练稳定性

Yval = (YvalRaw - muY) ./ sigY; % 标准化验证目标，保持与训练一致

Ytest = (YtestRaw - muY) ./ sigY; % 标准化测试目标，便于统一评估

三、滑动窗口样本构造

lookBack = 24; % 设置历史窗口长度，表示每个样本使用过去24个时刻的信息

XTrainSeq = cell(numel(Ytrain)-lookBack,1); % 预分配训练序列单元数组，每个元素存放一个窗口样本

YTrainSeq = zeros(numel(Ytrain)-lookBack,1); % 预分配训练标签向量，存放对应未来目标

for i = 1:(numel(Ytrain)-lookBack) % 逐窗构造监督样本，按时间顺序滑动

    XTrainSeq{i} = Xtrain(i:i+lookBack-1,:).'; % 将窗口内多变量数据转置为特征数×时间步格式

    YTrainSeq(i) = Ytrain(i+lookBack); % 取窗口之后一个时刻作为预测目标，形成单步预测

end % 结束训练样本构造循环

XValSeq = cell(numel(Yval)-lookBack,1); % 预分配验证序列单元数组

YValSeq = zeros(numel(Yval)-lookBack,1); % 预分配验证标签向量

for i = 1:(numel(Yval)-lookBack) % 构造验证样本窗口

    XValSeq{i} = Xval(i:i+lookBack-1,:).'; % 提取验证窗口并转置为网络输入格式

    YValSeq(i) = Yval(i+lookBack); % 提取对应验证目标值

end % 结束验证样本构造循环

XTestSeq = cell(numel(Ytest)-lookBack,1); % 预分配测试序列单元数组

YTestSeq = zeros(numel(Ytest)-lookBack,1); % 预分配测试标签向量

for i = 1:(numel(Ytest)-lookBack) % 构造测试样本窗口

    XTestSeq{i} = Xtest(i:i+lookBack-1,:).'; % 提取测试窗口并调整维度

    YTestSeq(i) = Ytest(i+lookBack); % 提取测试目标值

end % 结束测试样本构造循环

四、CNN-LSTM 网络结构搭建

numFeatures = size(Xtrain,2); % 统计输入特征数，作为网络输入通道规模

layers = [ % 定义CNN-LSTM回归网络层序列

    sequenceInputLayer(numFeatures,'Name','input') % 序列输入层，接收多变量时间序列

    convolution1dLayer(3,32,'Padding','same','Name','conv1') % 一维卷积层，卷积核长度3、通道32，提取局部模式

    batchNormalizationLayer('Name','bn1') % 批归一化层，稳定梯度并加快收敛

    reluLayer('Name','relu1') % ReLU激活层，引入非线性表达能力

    maxPooling1dLayer(2,'Stride',2,'Name','pool1') % 一维最大池化层，压缩序列长度并增强鲁棒性

    convolution1dLayer(3,64,'Padding','same','Name','conv2') % 第二层卷积，进一步提取更高阶局部特征

    batchNormalizationLayer('Name','bn2') % 第二层批归一化，降低内部协变量偏移

    reluLayer('Name','relu2') % 第二层激活函数，增强非线性映射

    lstmLayer(64,'OutputMode','last','Name','lstm') % LSTM层，仅输出最后时刻隐藏状态，进行长期依赖建模

    fullyConnectedLayer(32,'Name','fc1') % 全连接层，将时序特征映射到回归空间

    reluLayer('Name','relu3') % 激活层，增强输出表征能力

    fullyConnectedLayer(1,'Name','fc2') % 输出层，生成单步回归预测值

    regressionLayer('Name','regressionOutput') % 回归损失层，用均方误差训练模型

    ]; % 网络层定义结束

五、训练参数设置与模型训练

options = trainingOptions('adam', ... % 选择Adam优化器进行网络训练

    'MaxEpochs',120, ... % 设置最大训练轮数，控制整体训练时长

    'MiniBatchSize',64, ... % 设置小批量大小，平衡速度与稳定性

    'InitialLearnRate',1e-3, ... % 设置初始学习率，保证前期收敛速度

    'LearnRateSchedule','piecewise', ... % 使用分段学习率衰减策略

    'LearnRateDropFactor',0.5, ... % 每次衰减时将学习率乘以0.5

    'LearnRateDropPeriod',30, ... % 每30轮衰减一次学习率

    'Shuffle','never', ... % 时序任务保持顺序，不打乱训练样本

    'ValidationData',{XValSeq,YValSeq}, ... % 指定验证集，用于训练监控

    'ValidationFrequency',30, ... % 每30个迭代检查一次验证性能

    'Verbose',true, ... % 输出训练过程信息，便于调试

    'Plots','training-progress'); % 显示训练曲线，观察收敛状态



net = trainNetwork(XTrainSeq,YTrainSeq,layers,options); % 使用训练样本、网络结构和参数训练CNN-LSTM模型

六、预测结果反归一化与误差评估

YPredNorm = predict(net,XTestSeq); % 对测试样本进行标准化空间下的预测

YPred = YPredNorm * sigY + muY; % 将预测值反归一化回原始量纲

YTrue = YTestSeq * sigY + muY; % 将真实值反归一化回原始量纲，便于直观评估

rmseVal = sqrt(mean((YPred - YTrue).^2)); % 计算均方根误差，衡量整体预测偏差

maeVal = mean(abs(YPred - YTrue)); % 计算平均绝对误差，衡量平均偏离程度

mapeVal = mean(abs((YPred - YTrue) ./ (YTrue + eps))) * 100; % 计算平均绝对百分比误差，反映相对误差

ssRes = sum((YTrue - YPred).^2); % 计算残差平方和，用于拟合优度评估

ssTot = sum((YTrue - mean(YTrue)).^2); % 计算总平方和，衡量真实值总波动

r2Val = 1 - ssRes/ssTot; % 计算决定系数，评估模型解释能力

tiledlayout(2,1); % 创建上下两块布局，便于同时展示曲线与误差

nexttile; % 激活第一块绘图区域

plot(YTrue,'b','LineWidth',1.2); % 绘制真实值曲线，采用蓝色线条

hold on; % 保持当前图像，叠加预测曲线

plot(YPred,'r--','LineWidth',1.2); % 绘制预测值曲线，采用红色虚线

legend('真实值','预测值'); % 添加图例，区分曲线含义

xlabel('样本序号'); % 设置横轴说明

ylabel('目标值'); % 设置纵轴说明

title('CNN-LSTM 多变量时序预测结果'); % 设置图表说明

nexttile; % 激活第二块绘图区域

plot(YTrue-YPred,'k','LineWidth',1.0); % 绘制残差曲线，观察误差波动

xlabel('样本序号'); % 设置残差图横轴说明

ylabel('残差'); % 设置残差图纵轴说明

title(sprintf('RMSE=%.4f, MAE=%.4f, MAPE=%.2f%%, R2=%.4f',rmseVal,maeVal,mapeVal,r2Val)); % 在图中显示评价指标