1DCNN一维卷积神经网络：从原理到实战避坑指南

1次阅读

共计 1826 个字符，预计需要花费 5 分钟才能阅读完成。

时间序列数据广泛存在于金融、物联网、医疗等领域，其核心特点是具有时间依赖性和局部相关性。传统处理方法（如 ARIMA、滑动平均）存在两个明显缺陷：

难以自动提取非线性特征
无法有效处理长序列的依赖关系

局部感受野：通过卷积核捕捉局部模式
平移不变性：相同模式在不同位置都能识别
并行计算：比 RNN 训练速度快 3 - 5 倍

指标	1DCNN	RNN	Transformer
长程依赖	△	○	◎
训练速度	◎	△	○
参数量	○	△	△
可解释性	◎	○	△

一维卷积运算公式：

output[t] = sum(input[t+k] * kernel[k] for k in range(kernel_size))

import torch
import torch.nn as nn

class TSCNN(nn.Module):
    def __init__(self, input_dim=1, num_classes=3):
        super().__init__()
        self.conv1 = nn.Conv1d(input_dim, 64, kernel_size=3, padding=1)
        self.pool = nn.MaxPool1d(2)
        self.conv2 = nn.Conv1d(64, 128, kernel_size=3, padding=1)
        self.fc = nn.Linear(128 * 25, num_classes)  # 假设序列长度 100

    def forward(self, x):
        x = self.pool(torch.relu(self.conv1(x)))  # [B,64,50]
        x = self.pool(torch.relu(self.conv2(x)))  # [B,128,25]
        x = x.view(x.size(0), -1)  # flatten
        return self.fc(x)

kernel_size：3- 7 效果最佳
stride：通常设为 1 保持分辨率
dilation：处理长周期模式时增大

from sklearn.preprocessing import StandardScaler

scaler = StandardScaler()
X_train = scaler.fit_transform(X_train)
X_test = scaler.transform(X_test)

# 转换为 PyTorch 张量
train_tensor = torch.FloatTensor(X_train).unsqueeze(1)  # [N,1,L]

model = TSCNN()
criterion = nn.CrossEntropyLoss()
optimizer = torch.optim.Adam(model.parameters(), lr=0.001)

for epoch in range(100):
    outputs = model(train_tensor)
    loss = criterion(outputs, y_train)

    optimizer.zero_grad()
    loss.backward()
    optimizer.step()

import matplotlib.pyplot as plt

# 获取第一层卷积输出
activations = model.conv1(train_tensor[:1]).detach()
plt.figure(figsize=(12,4))
plt.imshow(activations[0].T, aspect='auto')
plt.colorbar()