CNN-BiLSTM时序预测Matlab源码解析：从数据预处理到多指标评估

简介：一套基于Matlab的CNN-BiLSTM卷积双向长短期记忆神经网络时间序列预测完整源码与数据集，面向计算机、电子信息、数学等专业学生课程设计、期末大作业及毕业设计，也适合时序预测算法研究者参考。压缩包共5个文件，含3个.m源码脚本（模型构建、数据处理与误差计算）、1个.mat数据文件及1个.xlsx风电场预测数据集，整体约760KB，结构紧凑。代码采用参数化编程，方便修改网络结构与超参数，注释详细，运行于Matlab2023及以上版本，可输出MAE、MAPE、MSE、RMSE、R2等多指标评价结果。已有110人学习下载，资源由机器学习之心整理，配套源码与数据可直接运行，便于快速复现CNN-BiLSTM预测流程并在此基础上扩展改进。

1. CNN-BiLSTM 时间序列预测：这套 Matlab 源码能解决什么问题

用 Matlab 做 CNN-BiLSTM 时间序列预测，有个反直觉的结论先说在前面：把一维卷积放在双向 LSTM 前面，效果往往比单独用 LSTM 或单独用卷积都稳，尤其处理风电功率这种波动大、尖峰多的序列。这份资源不是一两个函数文件，而是一条完整链路：data_process.m负责数据预处理，CNNBiLSTM.m负责网络搭建与训练，calc_error.m负责输出 MAE、MAPE、MSE、RMSE、R2 五项指标，配套的风电场预测.xlsx是可直接运行的数据。要交课程设计、期末大作业或毕业设计，拿这套代码跑通、改参数，比从零拼网络省事得多。适合两类人：一类是 Matlab 基础一般、需要完整可运行代码交差的学生；另一类是已经会 LSTM、想看看卷积特征提取到底能给时序预测带来什么变化的研究型用户。下文按「数据怎么准备 → 网络怎么搭 → 参数怎么设 → 坑在哪」的顺序拆。

2. 数据准备：滑动窗口、归一化与训练测试划分

拿到压缩包先别急着双击CNNBiLSTM.m。我跑这类代码的习惯是先把文件清单过一遍，搞清楚谁在哪个环节干活，不然报错都不知道去哪找。这套资源里五个文件配合关系如下：

作者注释风格偏工程化，变量命名前后一致，顺着data_process.m往下读基本不会卡壳。但要注意一点：这份代码标注的运行环境是 Matlab 2023 及以上，如果你的版本太老，后面第 5 章会讲到具体会踩什么坑。

2.1 一维时序为什么要切成滑动窗口样本

原始的风电功率序列是一列数，网络没法直接拿「一整条序列」去学。常见做法是把一维序列切成「用过去 winSize 个点预测下一个点」的样本对，也就是 sequence-to-one 结构。窗口大小 winSize 是整个数据管线里最值得调的参数：太小，模型看不到趋势；太大，样本数量骤减且训练变慢。风电功率场景里常见取 12 或 24（对应小时粒度的一天/半天周期），工业负荷、交通流这类带明显周期性的序列也类似。

data_process.m里核心切片逻辑大致长这样：

% data_process.m 中滑动窗口构造成 (X, y) 的核心示意 function [X, y] = makeSamples(seq, winSize) n = length(seq); X = zeros(n - winSize, winSize); % 每一行是一个时间窗口 y = zeros(n - winSize, 1); % 窗口之后的那一个点 for i = 1 : n - winSize X(i, :) = seq(i : i + winSize - 1); y(i) = seq(i + winSize); end end

逻辑说明：X的每一行是连续winSize个历史值，y是紧跟着窗口的下一个时刻的值。比如窗口长度 24，就是用 1-24 点预测第 25 点，用 2-25 点预测第 26 点，依此类推。循环写法最直观，缺点是数据量大时偏慢，但对几百到几千条的风电序列完全够用，没必要为了省这几毫秒引入额外复杂度。

参数说明：winSize在data_process.m头部定义，我一般会先把它设成数据明显周期长度的整数倍。如果你打开 Excel 发现数据是整点采样的，先设 24 跑一版作为基线，再往 12、48 两个方向试，观察验证集指标变化。

2.2 归一化与划分顺序：这条线决定指标可不可信

时间序列预测里最容易犯的错是把归一化放在切分之前、对整条序列求 min/max。这样做的后果是测试段的数值范围在训练阶段就已经暴露了，属于典型的数据泄露。正确的顺序是：先按时间切出训练段和测试段，只对训练段求 min 和 max，测试段套用同一组 min/max 做变换。

% 顺序划分：时间序列不能随机打乱 trainLen = round(length(raw) * 0.8); trainRaw = raw(1 : trainLen); testRaw = raw(trainLen + 1 : end); % 只从训练段统计归一化参数 minV = min(trainRaw); maxV = max(trainRaw); trainNorm = (trainRaw - minV) / (maxV - minV); testNorm = (testRaw - minV) / (maxV - minV); % 注意：套用训练段的 min/max

逻辑说明：第一段是按 8:2 比例沿时间轴切分，不用randperm，时序数据一旦随机打乱，未来信息就会混入训练批次。第二段是归一化，minV、maxV只来自训练段，这保证了测试集的「未来信息」没有任何一条经过训练阶段。所有预测做完后，要把结果乘以(maxV - minV) + minV还原回原始量纲再去算指标，这个动作在第 5 章还会再强调。

参数说明：划分比例不是死的，样本量多、周期完整时可以给训练集更多比例，比如 85%。如果序列短到只有一两百个点，8:2 会让测试集只有几十个样本，指标波动很大，这种情况建议把训练比例提到 9:1，或者改用交叉验证式的时间序列划分。

3. 网络结构：Conv1D 与 BiLSTM 怎么搭、层参数怎么定

3.1 为什么把一维卷积放在 BiLSTM 前面

很多入门者拿到代码会疑惑：LSTM 本身就能学时序，为什么还要在前面叠卷积？这里有两个实际原因。第一，一维卷积相当于在时间轴方向做局部特征提取，卷积核扫过窗口时能捕捉到爬坡、尖峰、平台这类局部模式，相当于给 BiLSTM 做了一次特征筛选，而不是把原始噪声数据直接灌进去。第二，卷积层的感受野有限，天然对相邻点的随机抖动有平滑作用，风电功率这类高频波动序列直接喂 LSTM，噪声会被当成有效信号记住，导致过拟合。

对比来看，纯 LSTM 对长序列的记忆能力强，但对局部形态不敏感；纯 CNN 能提局部特征却无法建模长期双向依赖。CNN-BiLSTM 的组合是让卷积先做局部抽象，BILSTM 再在双向上下文上建模，序列越长、波动越剧烈，这个组合的优势越明显。这也是这份源码选用卷积在前、循环层在后的原因。

3.2 CNN-BiLSTM 网络结构逐层拆解

CNNBiLSTM.m里的网络定义核心部分大致如下：

% CNN-BiLSTM 网络结构定义（CNNBiLSTM.m 核心） layers = [ sequenceInputLayer(1) % 每个样本是一条 1×winSize 的序列 convolution1dLayer(3, 32, 'Padding', 'same') % 一维卷积：核大小 3，32 个滤波器 batchNormalizationLayer % 批归一化：加速收敛 reluLayer % 激活 maxPooling1dLayer(2, 'Stride', 2) % 池化：时间维减半 bilstmLayer(64, 'OutputMode', 'last') % 双向 LSTM，64 个隐藏单元，输出最后时刻 dropoutLayer(0.2) % 丢弃率 0.2，防过拟合 fullyConnectedLayer(1) % 回归输出 regressionLayer ];

逻辑说明：sequenceInputLayer负责把每个样本按序列读入；convolution1dLayer(3, 32)用 3 个点的卷积核在时间方向上滑动，输出 32 个通道的特征图；批归一化对每个 mini-batch 做标准化，能明显减少调参时对初始学习率的敏感度；池化层把时间维减半，剪掉冗余信息，也降低后面 BiLSTM 的计算量。bilstmLayer(64)同时看窗口内正向和反向的信息，配合'OutputMode', 'last'输出最后一步的隐状态，因为这里每个样本只对应一个预测值。最后接一层全连接压缩成 1 个数，用回归层算损失。

参数说明：卷积核大小 3 是通用起点，比 5 和 7 更不容易把邻近噪声揉进特征；numFilters32 意味着网络提取 32 种局部模式，数据复杂度高时可以加到 64，但参数量也会翻倍。bilstmLayer的隐藏单元数 64 是这套数据量下的合理值，如果你把学习率调到合适区间后训练损失还是降不动，优先检查的是隐藏单元数而不是层数——多数场景 64 到 128 已经够用，叠两层 BiLSTM 收益不明显但训练时间翻倍。

3.3 一个容易忽略的数据流细节

上面网络里sequenceInputLayer(1)的意思是每个时间步只有 1 个特征。要让 BiLSTM 真正按时间步展开，data_process.m输出的样本需要组织成「每个样本一条长度 winSize 的序列」。常见做法是把 N×winSize 的矩阵转成 cell 数组：

% 将 (N×winSize) 矩阵转成 N 个 cell，每个 cell 是 1×winSize 的序列 XC = num2cell(X, 2)'; % 每个 cell 一行 XC = cellfun(@(x) x(:)', XC, 'UniformOutput', false);

逻辑说明：Matlab 里 sequence 输入的标准形式是「特征 × 时间步」的矩阵或 cell 数组。如果不做这一步、直接把 N×winSize 的矩阵喂给sequenceInputLayer(winSize)，Matlab 会把它解释成「每个样本只有一个时间步、winSize 个特征」，BiLSTM 的时间维度实际被压成了 1，双向循环退化为一个特征全连接映射。这也是后面第 5 章要重点讲的坑。

4. 训练与多指标评估：从 trainingOptions 到 MAE/RMSE/R2

4.1 trainingOptions：时序预测的训练参数怎么设

网络结构定好后，训练参数是决定指标能不能看的关键。CNNBiLSTM.m里的训练配置一般会包含下面这些字段：

options = trainingOptions('adam', ... 'MaxEpochs', 200, ... 'InitialLearnRate', 0.005, ... 'MiniBatchSize', 64, ... 'GradientThreshold', 1, ... 'Shuffle', 'never', ... % 时序关键：禁止打乱 'ValidationData', {XVal, yVal}, ... 'ValidationFrequency', 20, ... 'Plots', 'training-progress', ... 'Verbose', false);

逻辑说明：优化器选 Adam，它自带动量与自适应学习率，对 0.001～0.01 这档初始学习率不敏感，适合这种单序列小样本场景。Shuffle必须设成'never'：时间序列一旦在 mini-batch 里被打乱，短期上下文被拆散，而且验证集里的「未来片段」可能混进训练批次，等于人为制造数据泄露。ValidationData用于每个 epoch 的验证监控，ValidationFrequency控制多少轮验证一次，调得太小拖慢训练，太大又看不清验证曲线变化。

参数说明：InitialLearnRate0.005 是风电这类波动序列的常见起点，如果你发现训练损失震荡不降，先降到 0.001；梯度裁剪阈值 1 能挡住个别大梯度把整个网络参数冲飞。MiniBatchSize64 在几百条样本的场景下是安全的，样本总量不足 1000 时可以减到 32，避免最后一个 batch 只有个位数样本导致指标抖动。

4.2 calc_error.m：五个指标各自在看什么

训练完的预测结果需要反归一化后交给calc_error.m做量化评估。核心计算逻辑如下：

function [mae, mape, mse, rmse, r2] = calc_error(yTrue, yPred) e = yTrue - yPred; % 误差向量 mae = mean(abs(e)); % 平均绝对误差 mape = mean(abs(e) ./ abs(yTrue)) * 100; % 平均绝对百分比误差（%） mse = mean(e .^ 2); % 均方误差 rmse = sqrt(mse); % 均方根误差 r2 = 1 - sum(e .^ 2) / sum((yTrue - mean(yTrue)) .^ 2); % 决定系数 end

逻辑说明：mae和rmse带有原始量纲，能直观对应到功率数值误差；mape是无量纲百分比，适合和其他数据集的模型对比，但注意当真实值接近 0 时比例会被放大，风电夜间停机时段容易出现个别很大的比值把 MAPE 拉高。r2是决定系数，公式里的分母是真实值的总平方和，也就是「拿均值做预测」的误差水平，当 r2 为负时，说明模型连均值预测都不如，这时候不要谈调参，先回去查数据泄露问题。

4.3 训练曲线与预测图的判读习惯

训练完成后不要急着把预测图截图放进报告，先看三条曲线：训练 loss、验证 loss、预测对比图。验证 loss 先降后升是过拟合的典型信号，这时先降学习率再加大 dropout，而不是继续加 epoch。预测对比图如果看起来曲线贴得很近，先算一下误差是集中在尖峰段还是平缓段——风电功率的尖峰往往是模型最拉胯的地方，加卷积核数量或增大 winSize 通常会先改善这一段。

保存模型的常见做法是在训练结束后执行save('CNNBiLSTM.mat', 'net', 'minV', 'maxV')，下次直接load进工作区做预测，省掉重新训练的时间。这份资源里的CNNBiLSTM.mat就扮演这个角色，适合做推理演示和答辩现场快速出图。

5. 避坑：数据泄露、反归一化与复现性 5 个常见翻车点

下面是复现 CNN-BiLSTM 时序预测时最容易翻车的五个点，按我排查的顺序整理。

5.1 预测曲线像历史值延迟拷贝

现象：预测曲线几乎是把输入窗口整体往后平移，R2 很高但 MAPE 异常，曲线尖峰全对不上。

原因：最常见的是样本组织方式不对。把 N×winSize 矩阵直接喂给sequenceInputLayer(winSize)，BiLSTM 的时间步实际是 1，双向 LSTM 没有真正在时间轴上展开，学到的只是窗口到目标值的静态映射；另一种可能是 winSize 太小，序列自相关性主导了预测。

解决：打开data_process.m检查样本输出格式。如果喂给网络的是普通矩阵，按第 3.3 节的 cell 数组方式组织，让每个样本成为长度为 winSize 的序列。同时把 winSize 拉到能覆盖一个完整周期。

5.2 测试集指标好到离谱，换数据就崩

现象：测试集 R2 到 0.99，RMSE 低得不像话，但把训练好的模型拿到新数据上一测，指标立刻恶化。

原因：归一化的 min/max 是从包含测试段的全序列上统计的，或者归一化之后才切分训练测试集。测试段的数值范围在训练时就已经泄露，指标当然好看。

解决：严格先切分、再对训练段求 min/max，测试段只用训练段的参数变换。这一点没有讨论余地，也是我检查别人代码时第一眼看的位置。

5.3 指标小到离谱或大到没边，先查量纲

现象：MAPE 算出来是 0.02%，RMSE 是 0.005，看起来完美，但和实际物理量一对完全对不上。

原因：指标在归一化后的 0-1 区间上计算，没有反归一化。归一化后的误差当然小，但这个数字没有物理意义。

解决：预测完成后先执行pred = pred * (maxV - minV) + minV还原量纲，再调用calc_error.m。真实风电功率误差在 MW 量级，看到 0.00x 的数字基本可以断定没还原。

5.4 同一份代码两次跑结果不一样

现象：完全相同的参数，连续跑两次，验证集指标能差出几个百分点，提交实验记录时说不清。

原因：trainNetwork的权重随机初始化，加上 Adam 优化时 mini-batch 的随机采样，导致每次训练的落点不同。

解决：训练前加一行rng(0)固定随机种子。这样讨论不同超参的对比实验才公平，否则学习率的影响可能被随机性淹没。

5.5 低版本 Matlab 报错与中文注释乱码

现象：打开.m文件中文注释显示乱码，运行时报bilstmLayerundefined，或者convolution1dLayer找不到。

原因：资源注明运行环境是 Matlab 2023 及以上；低于这个版本，Deep Learning Toolbox 的类函数名可能不可用，老版本编辑器对中文编码的解析也有问题。

解决：优先按说明装 2023 及以上版本；文件乱码时用 Matlab 编辑器打开后另存为 UTF-8 编码；运行前用ver检查 Deep Learning Toolbox 是否安装。

6. 更进一步：多步预测与换数据集时的迁移顺序

这套代码是单步预测：用过去 winSize 个点预测下一个点。实际项目里经常要预测未来 12 小时甚至更远，这时有两种改法。迭代法最简单，把预测值滚动接回窗口：

% 多步预测（迭代法）：预测未来 h 步 h = 12; inputWin = XN(end, :); % 取最后一段已知窗口（归一化后） preds = zeros(h, 1); for i = 1 : h p = predict(net, {inputWin}); % 单步预测 preds(i) = p; inputWin = [inputWin(2:end), p]; % 丢弃最老点，接入预测值 end preds = preds * (maxV - minV) + minV; % 反归一化

逻辑说明：predict的输出需要在归一化空间内滚动更新，预测步数越长误差累积越明显，12 步以内迭代法够用，再往后建议改成 seq-to-seq 结构让网络一次输出多步。换成其他数据集时，我习惯按这个顺序迁移：先替换 Excel 路径和列号；再按新数据的采样周期重设 winSize；随后确认归一化参数只来自训练段；最后固定rng跑一轮基线，再开始调学习率和隐藏单元数。这套流程走完，指标达不到预期时问题一定出在这四步之外。从那以后我拿到这类时序预测源码，第一件事永远是打开data_process.m看窗口构造和归一化写没写对，而不是先看网络结构——数据线对了，模型才有讨论前提。希望帮到你。

本文还有配套的精品资源，点击获取