CNN-RNN混合回归预测MATLAB代码

最后更新于：2026-07-06 00:06:19

使用波士顿房价预测作为演示案例。
可以设置 CNN 卷积核数量、卷积核宽度、池化窗口等结构参数。
可以在 LSTM、GRU、BiLSTM 三种循环网络结构之间快速切换。
可以快速划分训练集、验证集、测试集，并保证测试集只在模型训练完成后参与最终评价。
程序运行完后自动绘制训练集预测效果、测试集预测效果、训练/验证/测试散点图、MAE/RMSE/MAPE/R² 指标对比图、训练与验证损失曲线。
可自动计算 MAE、MSE、RMSE、MAPE、R² 等回归评价指标。
多种训练参数可设置，包括最大迭代次数、初始学习率、批尺寸、提前停止轮数等。
可设置随机种子，保证每次运行的数据划分和训练结果尽量保持一致。

需要你做的基本只有导入数据和调参。

绝大多数流程都已经封装固化到 FunRegCNNRNN 函数中，仿照案例导入自己的数据，即可快速得到预测结果、评价指标和结果图。

需要注意的是，本程序适合“每条样本内部具有明确顺序”的一维数据，例如滑动时间窗、光谱波段、传感器空间位置等。波士顿房价数据主要用于演示代码调用流程；普通表格特征并不天然具有时间顺序，实际使用时应根据业务含义确认列顺序是否合理。

一、代码运行环境

MATLAB R2022a 及更新版本，需安装 Deep Learning Toolbox。

如果使用更早版本 MATLAB，可能会遇到部分深度学习层或训练参数不兼容的问题，建议优先使用 R2022a 及以上版本运行。

二、程序介绍

程序文件

CNN_RNN_Regression/
├── demoCNNRNN_Regression.m
├── FunRegCNNRNN.m
├── EvaRegEffect.m
├── housing.txt
├── 代码说明.txt
└── figure/图1.png ... 图5.png

注：脚本文件可以直接运行；函数文件在没有输入变量的情况下无法直接运行。更详细的解释可以看 MATLAB 官方文档：脚本和函数。

1. `demoCNNRNN_Regression.m` 文件

使用波士顿城郊区域的房价数据集进行回归预测的演示案例，其中演示了 FunRegCNNRNN 函数的应用方式。

文件可以直接运行。程序运行完成后，会在 figure 文件夹中自动保存如下图像：

训练集预测效果与误差分布图：

测试集预测效果与误差分布图：

训练集、验证集、测试集真实值与预测值散点图：

MAE、RMSE、MAPE、R² 等指标对比图：

训练与验证损失收敛曲线：

在命令行窗口还会打印出以下内容：

数据集样本数、序列长度、目标值范围；
当前使用的循环结构、卷积核数量、隐藏单元数量；
训练集、验证集、测试集划分数量；
训练集、验证集、测试集上的 MAE、MSE、RMSE、MAPE、R² 等指标；
实际训练迭代次数。

2. `FunRegCNNRNN.m` 文件

使用 CNN-RNN 混合网络进行回归预测的快速实现函数。

代码说明：

function [foreData, foreDataTrain, info] = FunRegCNNRNN(X, Y, options)
% CNN-RNN混合回归预测函数
%
% 重要输入约束：
% X 的每一行是一条有序一维序列，列方向会被 CNN 当作局部邻域、
% 被 RNN 当作前后顺序。适合滑动时间窗、光谱、传感器位置等列顺序
% 有意义的数据。普通无序表格特征必须固定并论证列顺序。
%
% 输入：
%   X       - [样本数 × 有序序列长度]
%   Y       - [样本数 × 1] 连续目标
%   options - 参数结构体，控制数据划分、网络结构、训练过程、归一化和绘图
%
% 输出：
%   foreData      - 最终测试集预测值
%   foreDataTrain - 训练集拟合值
%   info          - 网络、归一化参数、三组索引/指标和训练过程

options 为结构体类型，是使用这个函数时最常调整的部分。它不是一个“随便填的参数包”，而是把数据怎么划分、网络怎么搭、训练怎么停、结果要不要画图都集中到一起。常用设置如下：

options.rTrain                 = 0.8;
options.validationRatio        = 0.15;
options.networkType            = 'LSTM';
options.convChannels           = 16;
options.kernelSize             = 3;
options.poolSize               = 2;
options.rnnHidden              = 32;
options.epochs                 = 150;
options.lr                     = 0.01;
options.batchSize              = 32;
options.earlyStoppingPatience  = 50;
options.mapflag                = 'on';
options.figflag                = 'on';
options.shuffle                = true;
options.seed                   = 42;

各字段含义如下：

参数	默认值	允许取值/范围	作用与调参影响
`rTrain`	`0.8`	`[0.5, 1)`	训练+验证数据比例，其余样本作为最终测试集。注意它不是纯训练集比例。
`validationRatio`	`0.15`	`(0, 0.5)`	验证集占训练+验证数据的比例，用于早停和观察泛化，不参与参数更新。
`shuffle`	`true`	`true/false`	划分前是否打乱样本。独立样本可打乱；严格时间序列通常应先构造滑动窗口，再按时间顺序切分。
`seed`	`42`	非负整数	随机种子。固定整数便于复现实验，设为 `0` 表示不固定随机性。
`networkType`	`'LSTM'`	`'LSTM'/'GRU'/'BiLSTM'`	循环层类型。LSTM 较稳，GRU 参数较少，BiLSTM 同时读正反两个方向。
`convChannels`	`16`	正整数	一维卷积通道数。越大可提取更多局部模式，但训练更慢、更容易过拟合。
`kernelSize`	`3`	正奇数	一维卷积核宽度。越大表示一次观察更宽的相邻区域；太大可能抹掉局部细节。
`poolSize`	`2`	`[1, 序列长度]`	最大池化窗口。设为 `1` 基本等价于不池化；越大压缩越强，可能丢失细节。
`rnnHidden`	`32`	正整数	循环层隐藏单元数。越大记忆容量越强，但训练更慢，也更容易过拟合。
`epochs`	`150`	正整数	最大训练轮数。实际训练可能因为早停提前结束。
`lr`	`0.01`	正数	Adam 初始学习率。太大容易震荡，太小收敛慢。
`batchSize`	`32`	正整数	批尺寸。小批次波动更大，大批次更稳定但占内存。
`earlyStoppingPatience`	`50`	正整数	验证损失连续不改善的容忍次数。越小越早停，越大训练更充分但可能过拟合；当前演示设为 50，以避免过早停止。
`mapflag`	`'on'`	`'on'/'off'`	是否归一化。建议开启；开启时只用训练集拟合归一化参数，避免数据泄漏。
`figflag`	`'on'`	`'on'/'off'`	是否自动绘图并保存到 `figure` 文件夹。批量调参时可设为 `'off'`。

其中，networkType 支持三种取值：

options.networkType = 'LSTM';    % 单向 LSTM，默认设置
options.networkType = 'GRU';     % GRU，结构相对精简
options.networkType = 'BiLSTM';  % 双向 LSTM，同时汇总两个方向的信息

函数内部会自动完成：

输入参数检查；
训练集、验证集、测试集划分；
仅使用训练集拟合归一化参数，再应用到验证集和测试集；
CNN-RNN 网络构建；
网络训练与验证集提前停止；
测试集预测；
MAE、MSE、RMSE、MAPE、R² 指标计算；
结果图自动保存。

3. `EvaRegEffect.m` 文件

用于评价回归预测效果的通用函数，可以计算 MAE、MSE、RMSE、MAPE、R² 等指标。

function ind = EvaRegEffect(realData, foreData, indNames)
% 输入：
%   realData：真实值
%   foreData：预测值
%   indNames：拟计算的指标名称，cell类型
%
% 当前支持：
%   MAE、MSE、RMSE、MAPE、R2
%
% 输出：
%   ind：预测效果评价指标结果数组，其顺序与 indNames 一一对应

例如：

indNames = {'MAE','MSE','RMSE','MAPE','R2'};
ind = EvaRegEffect(realData, foreData, indNames);

4. `housing.txt` 文件

波士顿房价演示数据集，共 506 条样本。前 13 列为输入特征，第 14 列为房价目标值。

5. `figure` 文件夹

程序运行后自动生成的结果图会保存在该文件夹中。

三、快速开始

1. 运行测试脚本

先在 MATLAB 中打开下载好的文件夹，将当前工作路径切换到 CNN_RNN_Regression 代码目录，然后运行：

demoCNNRNN_Regression

程序运行完毕后，如果命令行没有报错，并且 figure 文件夹中正常生成上述 5 张图像，则说明运行环境正常，程序可以使用。

2. 修改仿真数据 / 导入自己的数据

复制一份 demoCNNRNN_Regression.m，在副本中修改第一部分的数据导入代码。

根据你的文件类型不同，Excel、txt、csv 等数据导入 MATLAB 的方式也不同。常用数据导入方式可以参考这个教程：

MATLAB常见数据导入方法

教程中未包含的数据类型，可以参考 MATLAB 官方文档：

Supported File Formats for Import and Export

导入数据后，需要整理出两个变量：

X = data(:, 1:end-1);   % 输入数据：[样本数 × 有序序列长度]
Y = data(:, end);       % 输出目标：[样本数 × 1]

注意，X 的列方向会被程序当作一维序列。若你的数据是时间序列预测任务，建议先在外部构造滑动窗口，再把每个窗口作为一行输入。

3. 调整网络与训练参数

参照脚本文件中第二部分，根据需要调整相关参数。例如：

options.networkType = 'LSTM';
options.convChannels = 16;
options.kernelSize = 3;
options.poolSize = 2;
options.rnnHidden = 32;
options.epochs = 150;
options.lr = 0.01;
options.batchSize = 32;
options.seed = 42;

如果想比较不同循环结构，只需修改 networkType，并在相同数据划分下比较验证集和测试集指标。

4. 运行程序

数据导入和参数设置完成后，运行脚本即可。程序会自动训练模型、生成预测结果、计算评价指标并保存结果图。

四、关于完整版与公开版代码

功能	完整版	公开版
数据导入、参数设置	√	√
软件全部源码（函数 m 文件）	√	×
核心函数加密	×	√，核心函数为 `.p` 文件
数据长度限制	无限制	100 个样本以内
结果图水印	无水印	有“试用版@khsci.com/docs”水印
自动绘制训练集/测试集预测图	√	√
自动绘制散点图、指标图、损失曲线	√	√
导出测试集预测结果、训练集预测结果、训练信息	√	受限
修改核心算法细节	√	×

公开版随包 housing.txt 固定为 100 条样本，主要用于验证运行环境和调用流程。完整版不限制样本数，且包含可编辑源码。

五、获取公开版程序（需使用电脑浏览器打开）

公开版程序可以直接下载，用于测试运行环境和体验完整调用流程。

公开版下载：
点击此处下载 CNN-RNN 混合回归预测 MATLAB 公开版代码

注：公开版代码建议使用 MATLAB R2022a 及以上版本。公开版限制为 100 个样本以内，生成图片带水印，核心函数已加密。

六、获取完整版程序（使用电脑浏览器或者手机浏览器打开）

点击下面“立即支付”按钮，付款后获取完整版代码下载链接和售后联系方式。付款完成后刷新一下本页面即可看到下载链接。

（注意支付跳转失败的话，请使用浏览器打开本页面）

您需要先支付 76元 才能查看此处内容！立即支付

七、完整版代码重要更新

20260621 完成初版代码。

八、常见问题

Q1：这个程序是不是只能做时间序列预测？

不是。它本质上是“有序一维输入到连续数值输出”的回归预测程序。只有当输入行表示历史时间窗口，并且目标值表示未来某一时刻时，才属于时间序列预测。光谱估计、传感器序列回归等任务也可以使用。

Q2：为什么普通表格数据也能跑，但文章里说要注意列顺序？

因为 CNN 和 RNN 会把相邻列、前后列当作有意义的结构。如果普通表格的列没有天然顺序，模型仍然能运行，但相邻关系未必有业务含义。因此，普通表格数据建议谨慎使用，或者固定列顺序并结合实际效果判断。

Q3：我想换成自己的数据，最少需要改哪里？

最少只需要改 demoCNNRNN_Regression.m 中的数据导入部分，把自己的输入整理为 X，输出整理为 Y，然后根据需要调整 options 参数。