基于CNN-BiLSTM+SHAP可解释性分析的回归预测 Matlab代码(多输入单输出)

✅作者简介：热爱科研的Matlab仿真开发者，擅长数据处理、建模仿真、程序设计、完整代码获取、论文复现及科研仿真。

🍎 往期回顾关注个人主页：Matlab科研工作室

🍊个人信条：格物致知,完整Matlab代码及仿真咨询内容私信。

🔥 内容介绍

在多输入单输出（MISO）的回归预测场景中，数据往往同时包含局部空间特征和双向时序依赖关系。例如，预测城市日均 PM2.5 浓度（单输出）时，需要考虑过去 7 天的小时级气象数据（时序特征）、区域污染源分布图像（空间特征）以及季节、节假日等静态特征（多输入）。此时，CNN-BiLSTM 模型凭借卷积神经网络（CNN）的空间特征提取能力和双向长短期记忆网络（BiLSTM）的双向时序建模能力，成为处理这类复杂数据的理想选择。本文将详细阐述该模型在 MISO 回归预测中的应用，并结合 SHAP 可解释性分析，揭示多输入特征对预测结果的影响机制。

一、CNN-BiLSTM 模型：多输入特征的双向时空融合

1.1 模型结构与核心优势

CNN-BiLSTM 模型的结构设计围绕 “空间特征提取 — 双向时序建模 — 多特征融合” 三个核心环节展开：

• CNN 层：针对高维空间特征（如污染源分布图像、传感器信号的频谱图），通过卷积核捕捉局部关联信息。例如，对 256×256 的污染源图像，使用 3×3 的卷积核可提取不同区域的污染物聚集特征，池化层则压缩维度并保留关键信息，最终输出固定维度的空间特征向量（如 256 维）。

• BiLSTM 层：相较于单向 LSTM 或 GRU，BiLSTM 由正向 LSTM 和反向 LSTM 组成，能同时利用 “过去到现在” 和 “未来到现在” 的时序信息。在 MISO 场景中，这意味着不仅能分析历史数据的趋势（如前 3 天的 PM2.5 变化），还能结合后续数据的关联（如后 2 天的气象反推影响），更全面地捕捉时序依赖。例如，处理过去 7 天的小时级气象数据时，BiLSTM 可输出包含双向时序特征的向量（如 128 维）。

• 多特征融合层：对于静态特征（如季节编码、区域类型），通过嵌入层或全连接层转换为低维向量（如 32 维），再与 CNN 提取的空间特征、BiLSTM 输出的时序特征拼接，形成全局特征向量，最终通过全连接层映射到单输出值。

其核心优势在于：既能挖掘输入特征的局部空间关联，又能捕捉双向时序依赖，尤其适合多输入特征中同时存在空间异质性和复杂时序交互的场景。

1.2 多输入特征的分层处理策略

针对 MISO 场景中输入特征的多样性，模型采用 “分支并行处理” 策略，确保不同类型特征得到针对性提取：

1. 空间特征分支（如图像、高维传感器阵列）：

• 输入：污染源分布图像（256×256×3）、设备振动信号的二维频谱图（128×128）等。

• 处理：通过 3 层 CNN（卷积 + 批归一化 + ReLU + 最大池化）提取特征，输出 128 维空间特征向量。

1. 时序特征分支（如多变量时间序列）：

• 输入：过去 7 天的小时级 PM2.5 浓度、温度、湿度数据（7×24×3）。

• 处理：先通过 1D 卷积层（捕捉局部时序关联，如连续 3 小时的气象变化），再输入 BiLSTM 层（256 个单元），输出 256 维双向时序特征向量。

1. 静态特征分支（如类别型、数值型属性）：

• 输入：季节（1-4）、区域人口密度（数值）、是否节假日（0/1）。

• 处理：类别特征通过嵌入层转换，数值特征标准化后通过全连接层，合并为 64 维静态特征向量。

各分支特征拼接后（128+256+64=448 维），经注意力层（动态分配各分支权重）和全连接层，输出单预测值（如日均 PM2.5 浓度）。

⛳️ 运行结果

📣 部分代码

🔗 参考文献

🎈 部分理论引用网络文献，若有侵权联系博主删除

 👇 关注我领取海量matlab电子书和数学建模资料 

🏆团队擅长辅导定制多种科研领域MATLAB仿真，助力科研梦：

🌈 各类智能优化算法改进及应用

生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化、背包问题、 风电场布局、时隙分配优化、 最佳分布式发电单元分配、多阶段管道维修、 工厂-中心-需求点三级选址问题、 应急生活物质配送中心选址、 基站选址、 道路灯柱布置、 枢纽节点部署、 输电线路台风监测装置、 集装箱调度、 机组优化、 投资优化组合、云服务器组合优化、 天线线性阵列分布优化、CVRP问题、VRPPD问题、多中心VRP问题、多层网络的VRP问题、多中心多车型的VRP问题、 动态VRP问题、双层车辆路径规划（2E-VRP）、充电车辆路径规划（EVRP）、油电混合车辆路径规划、混合流水车间问题、 订单拆分调度问题、 公交车的调度排班优化问题、航班摆渡车辆调度问题、选址路径规划问题、港口调度、港口岸桥调度、停机位分配、机场航班调度、泄漏源定位

🌈 机器学习和深度学习时序、回归、分类、聚类和降维

2.1 bp时序、回归预测和分类

2.2 ENS声神经网络时序、回归预测和分类

2.3 SVM/CNN-SVM/LSSVM/RVM支持向量机系列时序、回归预测和分类

2.4 CNN|TCN|GCN卷积神经网络系列时序、回归预测和分类

2.5 ELM/KELM/RELM/DELM极限学习机系列时序、回归预测和分类

2.6 GRU/Bi-GRU/CNN-GRU/CNN-BiGRU门控神经网络时序、回归预测和分类

2.7 ELMAN递归神经网络时序、回归\预测和分类

2.8 LSTM/BiLSTM/CNN-LSTM/CNN-BiLSTM/长短记忆神经网络系列时序、回归预测和分类

2.9 RBF径向基神经网络时序、回归预测和分类

2.10 DBN深度置信网络时序、回归预测和分类

2.11 FNN模糊神经网络时序、回归预测

2.12 RF随机森林时序、回归预测和分类

2.13 BLS宽度学习时序、回归预测和分类

2.14 PNN脉冲神经网络分类

2.15 模糊小波神经网络预测和分类

2.16 时序、回归预测和分类

2.17 时序、回归预测预测和分类

2.18 XGBOOST集成学习时序、回归预测预测和分类

2.19 Transform各类组合时序、回归预测预测和分类

方向涵盖风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、用电量预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断

🌈图像处理方面

图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知

🌈 路径规划方面

旅行商问题（TSP）、车辆路径问题（VRP、MVRP、CVRP、VRPTW等）、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、 充电车辆路径规划（EVRP）、 双层车辆路径规划（2E-VRP）、 油电混合车辆路径规划、 船舶航迹规划、 全路径规划规划、 仓储巡逻

🌈 无人机应用方面

无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配、无人机安全通信轨迹在线优化、车辆协同无人机路径规划

🌈 通信方面

传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化、水声通信、通信上传下载分配

🌈 信号处理方面

信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化、心电信号、DOA估计、编码译码、变分模态分解、管道泄漏、滤波器、数字信号处理+传输+分析+去噪、数字信号调制、误码率、信号估计、DTMF、信号检测

🌈电力系统方面

微电网优化、无功优化、配电网重构、储能配置、有序充电、MPPT优化、家庭用电、电/冷/热负荷预测、电力设备故障诊断、电池管理系统（BMS）SOC/SOH估算（粒子滤波/卡尔曼滤波）、 多目标优化在电力系统调度中的应用、光伏MPPT控制算法改进（扰动观察法/电导增量法）

🌈 元胞自动机方面

交通流 人群疏散 病毒扩散 晶体生长 金属腐蚀

🌈 雷达方面

卡尔曼滤波跟踪、航迹关联、航迹融合、SOC估计、阵列优化、NLOS识别

🌈 车间调度

零等待流水车间调度问题NWFSP 、 置换流水车间调度问题PFSP、 混合流水车间调度问题HFSP 、零空闲流水车间调度问题NIFSP、分布式置换流水车间调度问题 DPFSP、阻塞流水车间调度问题BFSP

👇

5 往期回顾扫扫下方二维码