1. CNN(卷积神经网络)部分
作用:
特征提取:CNN擅长从输入数据中提取空间特征。在多输入情况下,它可以处理来自不同源的数据,提取有用的特征。
局部感受野:通过卷积操作,CNN能够识别输入数据中的局部特征,从而提取图像、序列或其他类型数据中的重要模式。
组成部分:
卷积层:应用卷积核(滤波器)扫描输入数据,提取特征图。
激活函数:通常使用ReLU等激活函数增加非线性。
池化层:减小特征图的尺寸,保留最重要的特征,降低计算复杂度。
2. GRU(门控循环单元)部分
作用:
时序建模:GRU用于捕捉数据的时序依赖关系。它能够处理时间序列数据中的长期和短期依赖关系,比传统RNN更具优势。
记忆单元:通过门控机制,GRU决定哪些信息保留,哪些信息遗忘,从而学习到更好的时序特征表示。
组成部分:
重置门:控制当前输入和过去状态的混合程度。
更新门:决定如何更新状态信息。
候选状态:生成当前时刻的候选状态,并与更新门结合以更新最终状态。
3. 多输入单输出回归预测
多输入:模型可以接受来自不同来源的多种数据输入,这些数据可以是时间序列、图像数据或其他类型的数据。CNN部分用于处理这些多样的输入数据,提取特征。
单输出:模型的目标是预测一个连续值(回归任务),例如房价预测、温度预测等。最终,CNN提取的特征通过GRU进行时序建模,生成最终的预测输出。
回归预测:将CNN和GRU提取和学习到的特征经过合适的全连接层进行线性变换,得到最终的回归预测结果。通常,这涉及到:
特征融合:将CNN提取的空间特征和GRU提取的时序特征结合。
预测层:通过全连接层(Dense Layer)将融合后的特征映射到回归预测的目标值上。
工作流程
数据预处理:将输入数据整理成适合CNN和GRU处理的格式。
特征提取:通过CNN处理输入数据,提取空间特征。
时序建模:将CNN提取的特征输入到GRU中,建模时序关系。
输出预测:将GRU的输出通过全连接层生成最终的预测值。
应用场景
金融预测:例如股票价格预测,结合历史价格(时序数据)和其他经济指标(空间数据)。
环境监测:如空气质量预测,结合气象数据(时序数据)和地理信息(空间数据)。
智能交通:预测交通流量,结合道路信息(空间特征)和实时交通数据(时序特征)。
优点
特征提取和建模:结合了CNN的空间特征提取能力和GRU的时序建模能力,提高了模型的准确性和鲁棒性。
处理多样数据:适应多输入类型的数据处理需求,具有较强的通用性。
结合CNN和GRU的模型在多个领域都显示出了强大的性能,尤其在需要处理复杂特征和时序数据的回归任务中
代码实现(部分):
c
warning off % 关闭报警信息
close all % 关闭开启的图窗
clear % 清空变量
clc % 清空命令行
tic
%% 导入数据
res = xlsread('data.xlsx');
%% 数据分析
num_size = 0.7; % 训练集占数据集比例
outdim = 1; % 最后一列为输出
num_samples = size(res, 1); % 样本个数
%res = res(randperm(num_samples), :); % 打乱数据集(不希望打乱时,注释该行)
num_train_s = ceil(num_size * num_samples)+1; % 训练集样本个数
L = size(res, 2) - outdim; % 输入特征维度
%% 划分训练集和测试集
P_train = res(1: num_train_s, 1: L)';
T_train = res(1: num_train_s, L + 1: end)';
M = size(P_train, 2);
P_test = res(num_train_s + 1: end, 1: L)';
T_test = res(num_train_s + 1: end, L + 1: end)';
N = size(P_test, 2);