CNN-RNN时间序列预测Python代码

最后更新于：2026-07-19 21:14:32

本文介绍一套 Python 版 CNN-RNN 混合时间序列预测代码。程序以 chickenpox.mat 中的一维月度时间序列作为演示案例，封装了单步预测和多步递归预测两个入口，适合用于一维有序数据的趋势预测、周期预测和连续数值预测。

• 使用 chickenpox 月度时间序列数据作为演示案例。
• 可以自由设置滑动窗口长度、CNN 卷积层通道数、卷积核大小、池化窗口、RNN 类型和隐藏单元数。
• Python 版 RNN 层支持 RNN、LSTM、GRU、BiLSTM、BiGRU 五种结构。
• 可按时间顺序快速划分训练+验证数据、验证集、测试集，避免数据泄露。
• 程序运行后自动绘制收敛过程、训练集预测结果、验证集预测结果、测试集预测结果、测试段递归预测图、MAE/MSE/MAPE/RMSE/R²/R 等指标对比图。
• 支持 CPU/GPU 自动选择，也可以手动指定训练设备。
• 需要你做的主要是导入自己的时间序列、设置窗口长度、网络结构和训练参数。

一、代码运行环境

推荐运行环境为：VSCode + Anaconda + Python 3.11 + PyTorch。

如果使用现有环境，需要安装依赖包。完整版代码中提供了 requirements.txt，可在代码文件夹中执行：

pip install -r requirements.txt

主要依赖包括：

numpy
scipy
matplotlib
torch
scikit-learn

公开版目前适用于 Windows 64 位 + Python 3.11 环境，建议使用对应版本运行。

二、程序介绍

完整版代码文件结构如下：

CNN_RNNs_Forecast/
├── demoCNNRNNsForecast.py
├── demoCNNRNNsForecastMul.py
├── FunCNNRNNsForecast.py
├── FunCNNRNNsForecastMul.py
├── EvaForeEffect.py
├── chickenpox.mat
├── requirements.txt
├── figure/
└── 代码说明.txt

1. demoCNNRNNsForecast.py 文件

该脚本演示 CNN-RNN 混合模型的单步时间序列预测流程。所谓单步预测，就是用前 lookBack 个历史点预测紧接着的下一个点；测试阶段每个样本仍然使用真实历史窗口作为输入。

脚本主要完成三件事：加载 chickenpox.mat 数据，设置 options 参数，然后调用：

fore_data, fore_data_train, fore_data_val, model, info = FunCNNRNNsForecast(data, options)

程序运行完成后，会自动在 figure/ 文件夹下保存如下图像。

图 1 展示训练损失和验证损失的变化。程序会监控验证损失，并在长期没有改善时触发早停。

图 2 展示单步预测模式下测试集真实值与预测值的对比，以及对应的相对误差。

2. demoCNNRNNsForecastMul.py 文件

该脚本演示 CNN-RNN 混合模型的多步递归预测流程。多步递归预测会先预测测试段第一个点，再把预测值放回历史窗口，继续预测第二个点，直到完成整段测试数据。

脚本调用：

fore_data, fore_data_train, fore_data_val, model, info = FunCNNRNNsForecastMul(data, options)

Python 多步版采用“基准值 + 模型残差”的方式进行递归预测：模型不直接死记完整数值，而是学习相对季节基准或最近点的修正量，这样可以减轻多步预测中的漂移问题。

图 3 展示测试段多步递归预测效果。它比单步预测更难，因为后续输入会包含模型自己前面预测出来的值。

图 4 展示训练集、验证集和测试集上的 MAE、MSE、RMSE、MAPE、R²、R 等指标，用于判断模型泛化表现。

3. FunCNNRNNsForecast.py 文件

该文件包含单步预测核心函数。

fore_data, fore_data_train, fore_data_val, model, info = FunCNNRNNsForecast(data, options)

输入参数说明：

• data：一维有序时间序列，可以是 list、tuple、numpy 数组等可迭代数据。
• options：参数字典，可不传。不传时使用默认参数。

输出参数说明：

• fore_data：测试集预测值。
• fore_data_train：训练集预测值。
• fore_data_val：验证集预测值。
• model：训练好的 PyTorch 模型。
• info：训练过程、数据划分、归一化参数、评价指标等信息。

options 逐项说明如下。

4. FunCNNRNNsForecastMul.py 文件

该文件包含多步递归预测核心函数。

fore_data, fore_data_train, fore_data_val, model, info = FunCNNRNNsForecastMul(data, options)

它的大部分参数与单步版一致，区别在于测试段采用递归滚动预测，而且模型默认学习“相对基准的残差”。

多步版额外参数如下。

5. EvaForeEffect.py 文件

该文件用于计算预测评价指标。

ind = EvaForeEffect(realData, foreData, indNamesCell)

输入参数：

• realData：真实值。
• foreData：预测值。
• indNamesCell：需要计算的指标名称，例如 ['MAE','MSE','RMSE','MAPE','R2','R']。

输出参数：

• ind：各指标计算结果，顺序与 indNamesCell 一一对应。

6. chickenpox.mat 文件

示例数据文件，包含一条一维月度时间序列。实际使用时，可以替换成自己的 Excel、CSV、TXT、MAT 等数据，只要最后整理为一维数值序列即可。

7. requirements.txt 文件

记录 Python 运行依赖。建议在新环境中先执行：

pip install -r requirements.txt

8. figure 文件夹

程序运行后自动生成，里面保存收敛图、训练集预测图、验证集预测图、测试集预测图、多步递归预测图和指标对比图。完整版图像无水印，公开版图像带有试用版水印。

9. 代码说明.txt 文件

简要说明代码文件组成、运行入口和注意事项。

三、快速开始

1. 安装依赖

在代码文件夹中打开命令行，执行：

pip install -r requirements.txt

2. 运行测试脚本

运行单步预测 demo：

python demoCNNRNNsForecast.py

运行多步递归预测 demo：

python demoCNNRNNsForecastMul.py

程序正常运行后，会在命令行窗口打印训练过程、数据划分和评价指标，并在 figure/ 文件夹中保存结果图。

3. 替换成自己的数据

复制一个 demo 脚本副本，在副本中修改数据加载部分即可。只要最终得到一维序列：

data = your_data.reshape(-1)

然后保持后面的函数调用不变。

时间序列预测不建议随机抽取最后测试集。程序默认按时间顺序切分：前面一段用于训练和验证，最后一段作为测试集，这样更接近真实预测场景。

4. 调整常用参数

最常改的参数通常是：

options = {
    'lookBack': 12,
    'networkType': 'LSTM',
    'convChannels': 16,
    'rnnHidden': 32,
    'epochs': 200,
    'lr': 0.005,
    'figflag': True,
    'deviceSel': 'auto',
}

如果做多步递归预测，还可以重点调整：

options = {
    'baselineMode': 'seasonal',
    'seasonPeriod': 12,
    'residualScale': 1,
}

当多步预测曲线漂移明显时，可以尝试把 residualScale 调小，或者设置为 'auto'，让程序根据验证集自动估计残差缩放比例。

四、关于完整版与公开版代码

公开版主要用于确认运行环境、查看程序调用方式和体验基本流程。正式项目建议使用完整版。

五、获取公开版程序

公开版下载： 点击此处下载 CNN-RNN 时间序列预测 Python 公开版代码

注：公开版代码包含演示脚本、示例数据和运行所需文件。公开版最多支持 100 个时间点，最大训练轮数为 50，结果图带有试用版水印；目前适用于 Windows 64 位 + Python 3.11 环境。

六、获取完整版程序

点击本页面“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。本通道处于测试阶段，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）

七、完整版代码重要更新

• 20260719：结果图改为弹窗显示并同步保存；多步版采用季节基准与残差学习，支持用 residualScale 控制递归修正强度，减缓预测漂移。
• 20260717：完成 CNN-RNN 时间序列预测 Python 版初版代码，包含单步预测、多步递归预测、自动画图和评价指标。

八、常见问题

Q1：这个代码做的是回归、分类还是时间序列预测？

这是时间序列预测代码，本质输出是连续数值，因此也属于回归预测的一种。它不是分类代码。

Q2：单步预测和多步递归预测有什么区别？

单步预测每次使用真实历史窗口预测下一个点；多步递归预测会把前一步预测值放回窗口继续预测后续点。多步递归更接近真实未来预测，但误差也更容易累积。

Q3：为什么公开版要求 Python 3.11？

公开版目前按照 Windows 64 位 + Python 3.11 环境制作并完成测试，因此请使用对应版本运行。

Q4：GPU 不是必须的吗？

不是必须。deviceSel 默认为 'auto'，如果检测不到可用 GPU，会自动使用 CPU。数据量不大时 CPU 也可以运行。

Q5：多步预测测试集 R² 不高怎么办？

多步递归预测比单步预测更难。可以优先检查数据周期性，尝试调整 lookBack、seasonPeriod、residualScale、networkType、rnnHidden、lr，也可以增加训练数据量。

Q6：可以换成自己的 Excel 或 CSV 数据吗？

可以。先用 pandas、numpy 或 scipy 读取数据，再整理成一维数值序列即可。建议先处理缺失值、异常值和非数值内容。