简介这份资源面向时间序列预测方向的机器学习初学者与工程实践者提供一套基于Python与TensorFlow实现的CNN-GRU混合深度学习算法。CNN负责提取局部特征GRU捕捉序列时间依赖二者结合可同时建模时序数据中的空间与时间特征适用于风电功率、电力负荷等预测场景。压缩包共8个文件约4.92MB包含py主程序、xlsx与csv测试数据集、pdf与md使用说明、requirements依赖清单及txt环境配置说明结构清晰便于快速上手。代码中文注释详尽支持单输入单步、单输入多步、多输入单步、多输入多步四种预测模式并集成MSE、RMSE、R2、MAE、MAPE五项评估指标方便从多角度衡量模型精度。数据集支持CSV与Excel格式可直接替换为自己的数据验证效果。目前已有67人学习下载适合希望掌握CNN-GRU时序建模流程、快速复现并迁移到自身项目的读者参考。1. 从一份 CNN-GRU 时序预测源码说起它到底能跑出什么拿到这份 Python TensorFlow CNN-GRU 卷积神经网络-门控循环神经网络时序预测算法源码时我第一反应不是看模型结构而是先翻数据接口和训练入口。原因很简单时序预测类项目最容易翻车的地方从来不是网络写得多花哨而是输入输出维度对不上、时间窗切错了、归一化反归一化没闭环。这份资源的核心价值在于它把 CNN 做局部特征提取、GRU 做时序依赖建模这条经典组合链路完整落到了一个可运行的 TensorFlow 工程里而不是只丢一个模型定义让你自己拼。它适合三类人一是刚学完 CNN 和 RNN 基础、想找一个能直接跑通的时序预测项目练手的人二是手里有传感器、销量、流量、负荷这类单变量或多变量时间序列想快速搭一个 baseline 对比传统 ARIMA 或单 LSTM 的人三是需要一份结构清晰、方便改成自己数据格式的模板代码的从业者。下面我按“先看懂结构、再动手跑通、最后避开坑”的顺序拆开讲中间会给出可直接抄的代码和参数说明。2. CNN-GRU 组合的选型逻辑与工程结构拆解2.1 为什么是 CNN 接 GRU而不是单独用其中一个时序预测里单用 GRU 或 LSTM 的问题在于它们对序列的建模是逐时刻递推的能捕捉长程依赖但对局部突变、短时高频波动的特征提取不够锐利。而单用 CNN尤其是一维卷积虽然能通过卷积核滑动提取局部模式却天然不擅长记忆跨较长时间步的依赖关系。CNN-GRU 的思路是让两者分工一维卷积先在时间轴上做局部感受野的特征压缩和降噪把原始序列里那些毛刺、短周期波动先卷成更稳定的特征序列再交给 GRU 去学这些特征随时间的演化规律。常见做法是 Conv1D 加池化堆一两层然后接 GRU最后接全连接输出预测值。这里有个容易忽略的点卷积的 padding 方式会直接影响序列长度。如果你用paddingsame时间步保持不变GRU 的输入长度好控制如果用valid每过一层卷积时间步就会缩短多层叠加后 GRU 拿到的序列可能已经短得没意义了。我一般会在第一版里统一用same把长度变化的风险先摁住。2.2 一份典型工程的目录与数据流这类源码包通常包含数据生成或加载脚本、模型定义、训练脚本、预测与评估脚本有的还会带一份示例数据。数据流大致是原始序列 → 滑动窗口切分 → 归一化 → 构造 (样本数, 时间步, 特征数) 三维张量 → 送入 CNN-GRU → 输出预测值 → 反归一化 → 计算误差指标。滑动窗口是整条链路的命门。假设你用过去 24 个时间步预测未来 1 个时间步那窗口大小就是 24预测步长是 1。多变量情况下特征数等于变量个数。下面这段是我从这类项目里抽出来的窗口构造逻辑可以直接套import numpy as np def make_windows(data, window_size, pred_step): data: shape (总时间步, 特征数) window_size: 用过去多少个时间步 pred_step: 预测未来第几个时间步1 表示下一步 返回 X: (样本数, window_size, 特征数), y: (样本数, 特征数) X, y [], [] end len(data) - window_size - pred_step 1 for i in range(end): X.append(data[i:i window_size]) y.append(data[i window_size pred_step - 1]) return np.array(X), np.array(y)逻辑说明循环上界end保证最后一个样本的预测目标不越界。y取的是窗口结束后的第pred_step个点。参数上window_size太小模型看不到周期太大则样本数骤减且 GRU 容易梯度消失pred_step大于 1 就是多步预测误差会明显放大建议第一版先做单步。2.3 模型定义里的关键参数模型部分我一般会保留一个可配置的字典把卷积核数量、核大小、GRU 单元数、dropout 都抽出来方便调参。下面是一个结构清晰的版本import tensorflow as tf from tensorflow.keras import layers, models def build_cnn_gru(window_size, n_features, filters64, kernel_size3, gru_units64, dropout0.2): inputs layers.Input(shape(window_size, n_features)) # 一维卷积提取局部时序特征 x layers.Conv1D(filtersfilters, kernel_sizekernel_size, paddingsame, activationrelu)(inputs) x layers.MaxPooling1D(pool_size2, paddingsame)(x) x layers.Dropout(dropout)(x) # GRU 建模时序依赖 x layers.GRU(gru_units, return_sequencesFalse)(x) x layers.Dropout(dropout)(x) x layers.Dense(32, activationrelu)(x) outputs layers.Dense(n_features)(x) model models.Model(inputs, outputs) model.compile(optimizertf.keras.optimizers.Adam(1e-3), lossmse, metrics[mae]) return model逻辑说明Conv1D的filters决定局部特征通道数kernel_size是卷积核在时间轴上的宽度3 或 5 是常见起点。MaxPooling1D把时间步减半能降参数量但如果你窗口本来就只有 12池化两次就只剩 3 了这时要慎用。GRU的return_sequencesFalse表示只取最后一个时间步的输出做预测如果是多步输出可以改成True再接TimeDistributed。Dense(n_features)的输出维度必须和预测目标维度一致单变量就是 1多变量就是变量数。3. 从零跑通环境、训练与预测的完整操作链3.1 环境准备与依赖版本TensorFlow 的版本兼容性是这类项目第一个门槛。这份源码基于 TensorFlow常见做法是用 2.x 版本Python 建议 3.8 到 3.10。如果你用pip install tensorflow直接装最新版可能遇到 Keras 接口变动导致layers.Input或model.compile参数报错。我一般会先建虚拟环境再装python -m venv tf_env source tf_env/bin/activate # Windows 用 tf_env\Scripts\activate pip install tensorflow2.10.0 numpy pandas scikit-learn matplotlib参数说明tensorflow2.10.0是一个和 Keras 2.x 接口稳定的版本避免新版 Keras 3 的 API 差异。scikit-learn用来做归一化和指标计算matplotlib用来画预测对比图。如果你机器有 NVIDIA 显卡装对应 CUDA 版本的 tensorflow-gpu 能明显加速训练但 CPU 版跑小数据集也够用。3.2 数据归一化与训练集划分时序数据不能随便 shuffle因为打乱会破坏时间顺序造成数据泄漏。正确做法是按时间先后切分训练集和测试集归一化参数只能用训练集拟合。下面这段是标准流程from sklearn.preprocessing import MinMaxScaler scaler MinMaxScaler(feature_range(0, 1)) # 只用训练段拟合避免未来信息泄漏 split int(len(data) * 0.8) scaler.fit(data[:split]) data_scaled scaler.transform(data) X, y make_windows(data_scaled, window_size24, pred_step1) X_train, y_train X[:split - 24], y[:split - 24] X_test, y_test X[split - 24:], y[split - 24:]逻辑说明split按 8:2 切分scaler.fit只喂训练段。X_train的切片上界减去window_size是为了和窗口构造后的样本数对齐否则会越界。参数上feature_range用默认的 (0,1) 即可如果数据里有明显异常值可以考虑先做截断再归一化否则异常值会把正常值压得很扁。3.3 训练、回调与预测反归一化训练时加 EarlyStopping 能省不少时间避免过拟合后还硬跑。预测完必须反归一化才能和真实值比较from tensorflow.keras.callbacks import EarlyStopping model build_cnn_gru(window_size24, n_featuresdata.shape[1]) es EarlyStopping(monitorval_loss, patience10, restore_best_weightsTrue) history model.fit(X_train, y_train, validation_split0.1, epochs100, batch_size32, callbacks[es], verbose1) pred model.predict(X_test) # 反归一化scaler 是按特征列拟合的需保持维度一致 pred_inv scaler.inverse_transform(pred) y_test_inv scaler.inverse_transform(y_test)逻辑说明patience10表示验证损失连续 10 轮不降就停restore_best_weightsTrue保证拿到的是最优轮次的权重而不是最后一轮。batch_size32是常见起点数据量小可以降到 16。反归一化时pred的列数必须和scaler拟合时的特征数一致单变量预测如果pred是 (n,1) 而 scaler 是 (n,1) 拟合的就没问题多变量要特别注意输出维度对齐。4. 避坑与排查这类时序项目最容易翻车的五处4.1 预测结果整体平移或滞后一截现象画出来的预测曲线形状对但整体比真实值晚一个时间步像被拖了一格。原因窗口构造时目标点取错把当前时刻当成了预测目标模型学到的是“复制上一个值”。解决检查make_windows里y的索引确认取的是i window_size pred_step - 1单步预测时pred_step1不能省。4.2 损失降到某个值就不动了现象训练几十轮后 loss 卡住预测出来几乎是一条水平线。原因归一化后数据方差太小或者学习率过大导致梯度震荡也可能是 GRU 单元数太少欠拟合。解决先打印训练数据的均值和方差确认量纲把学习率从 1e-3 降到 1e-4 试GRU 单元数从 64 加到 128卷积核数量同步加。4.3 验证集 loss 远高于训练集 loss现象训练 loss 一路降验证 loss 早早反弹。原因过拟合样本数太少而模型参数太多。解决加大 dropout 到 0.3 到 0.5减少卷积层数或 GRU 单元数加 L2 正则最直接的是增加数据量或减小窗口让样本数变多。4.4 多变量预测时某一列误差特别大现象整体 MAE 还行但某个变量的预测完全不能用。原因不同变量量纲差异大MinMaxScaler 是按列独立缩放的但如果某列本身波动极小缩放后几乎全是同一个值模型学不到东西。解决先对每列做差分或对数变换再归一化或者对该列单独检查是否本身就是噪声。4.5 换自己的数据后维度报错现象Input shape或Dense输出维度不匹配。原因n_features没跟着数据列数改或者窗口构造后 X 的 shape 不是三维。解决在model.fit前打印X_train.shape确认是(样本数, 时间步, 特征数)然后把这个特征数传给build_cnn_gru的n_features输出层维度也要一致。5. 进阶技巧把单步预测改成多步并验证模型是否真的学到了东西单步预测跑通后很多人会直接调pred_step做多步结果误差爆炸。多步预测更稳的做法是改成序列到序列让 GRU 的return_sequencesTrue输出层用TimeDistributed(Dense(n_features))一次输出未来多个时间步。下面是一个改造片段def build_multi_step(window_size, n_features, horizon, filters64, gru_units64): inputs layers.Input(shape(window_size, n_features)) x layers.Conv1D(filters, 3, paddingsame, activationrelu)(inputs) x layers.GRU(gru_units, return_sequencesTrue)(x) # 只取最后 horizon 个时间步作为输出 x layers.Lambda(lambda t: t[:, -horizon:, :])(x) outputs layers.TimeDistributed(layers.Dense(n_features))(x) model models.Model(inputs, outputs) model.compile(optimizeradam, lossmse, metrics[mae]) return model逻辑说明horizon是预测未来多少个时间步Lambda层截取 GRU 输出的最后horizon步TimeDistributed对每个时间步独立做全连接。这样标签y也要相应改成(样本数, horizon, 特征数)。参数上horizon越大越难建议从 3 开始试别一上来就预测 24 步。验证模型是否真学到东西我习惯做一个朴素基线对比用“最后一个观测值”直接当预测值算一个 MAE如果 CNN-GRU 的 MAE 没有明显低于这个基线说明模型没学到有效信息得回头查数据泄漏或窗口构造。另一个习惯是画残差图看误差是否随机分布如果残差有明显周期说明模型漏掉了某个周期特征可以在输入里加时间特征如小时、星期几。从那以后我每次拿到时序预测源码都强制先跑一遍朴素基线再动模型结构不然很容易被一个看起来在下降的 loss 骗过去。希望这份拆解帮到你源码可以直接下载后按上面的步骤替换成自己的数据跑一遍。本文还有配套的精品资源点击获取