基于pytorch搭建多特征CNN-LSTM时间序列预测代码详细解读（附完整代码）

小一爱吃梨

已于 2022-10-14 10:32:53 修改

阅读量2.7w

点赞数 59

分类专栏： pytorch深度学习文章标签： cnn pytorch lstm 神经网络

于 2022-10-14 10:25:18 首次发布

本文链接：https://blog.youkuaiyun.com/hardworking_T/article/details/127311515

版权

本文通过代码详细解读如何使用PyTorch搭建多特征的CNN-LSTM模型进行时间序列预测。内容包括数据展示、模型构建（网络模型构建和前向传播）以及训练过程。文章指出，理解各层数据接收形式和维度变化是关键，并分享了训练结果和性能评估。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

系列文章目录

lstm系列文章目录
1.基于pytorch搭建多特征LSTM时间序列预测代码详细解读（附完整代码）
2.基于pytorch搭建多特征CNN-LSTM时间序列预测代码详细解读（附完整代码）

前言

除了LSTM神经网络，一维CNN神经网络也是处理时间系列预测和分类的一种重要工具，本文不从理论上赘述CNN处理时间序列，仅通过代码复现向大家展示CNN+LSTM是如何具体的运作的。另外，数据集和数据预处理仍沿用之前文章基于pytorch搭建多特征LSTM时间序列预测代码详细解读（附完整代码），本文不再赘述其细节，主要复现网络结构的变动。

一、数据展示

本次实验的数据集仍沿用前文数据集，一共三个特征，经过预处理后数据集维度为（604,3,3）

二、模型构建

1.网络模型构建

代码如下：

def __init__(self,in_channels,out_channels,hidden_size,num_layers,output_size,batch_size,seq_length) -> None:
        super(convNet,self).__init__()
        self.in_channels=in_channels       
        self.out_channels=out_channels
        self.hidden_size=hidden_size
        self.num_layers=num_layers
        self.output_size=output_size
        self.batch_size=batch_size
        self.seq_length=seq_length
        self.num_directions=1 # 单向LSTM
        self.relu = nn.ReLU(inplace=True)
        # (batch_size=64, seq_len=3, input_size=3) ---> permute(