客流量预测新思路：AHA-CNN-LSTM-Attention的Matlab实现与参数调优

简介：基于人工蜂鸟优化算法（AHA）与CNN、LSTM及注意力机制相融合的客流量预测模型，使用Matlab实现，面向计算机、电子信息、数学等专业学生的课程设计、期末大作业和毕业设计，也适用于商业运营中的客流分析与预测。压缩包内含19个文件，主体为12个Matlab脚本文件，覆盖主程序、信号分解、边界处理、误差计算等核心环节，另有4张结果示意图、2份Excel案例数据以及1份说明文档，整包仅217KB，轻量易获取，并兼容Matlab 2014、2019a、2024a。已有65人学习浏览。代码采用参数化编程，参数可灵活调整，注释细致清晰，新手可借助附赠数据直接运行主程序复现完整预测流程，替换自有数据即可开展个性化实验。算法利用蜂鸟优化算法的全局寻优能力，结合CNN局部特征提取、LSTM时序建模和注意力机制动态加权，可有效提升预测精度；资源同步提供可视化结果图与说明文档，便于学术复现、二次开发及算法对比，是课程设计或毕业设计中高创新性的优质参考。

1. 客流量预测还能怎么做：AHA-CNN-LSTM-Attention这套Matlab资源是什么

客流量预测属于那种“数据量不大、波动不小、但业务上偏偏要求准确”的时间序列问题，传统LSTM容易在节假日和突发活动面前失灵，而纯手工调参又很难兼顾分解层数、学习率、隐层单元数这些相互牵制的超参数。这套基于人工蜂鸟优化算法AHA、融合CNN-LSTM-Attention的Matlab实现，把超参数搜索交给AHA去做，再用CEEMDAN把客流序列拆成多个相对平稳的分量，最后逐分量预测再叠加，整体思路比单一LSTM要扎实不少。对正在做课程设计、期末大作业或毕业设计的计算机、电子信息、数学专业学生来说，最直接的价值是能下载后在Matlab里跑通，替换data.xlsx就能用，注释也够细，不需要从零搭一套深度学习时序预测框架。

2. 从蜂鸟觅食到客流序列：为什么AHA-CNN-LSTM-Attention能提升预测精度

2.1 AHA算法在做什么：三种飞行模式、访问表与迁徙机制

人工蜂鸟优化算法（Artificial Hummingbird Algorithm，AHA）是2022年前后提出的元启发式优化算法，它模仿的不是简单的“鸟找花蜜”，而是蜂鸟特有的飞行策略和记忆机制。每只蜂鸟个体代表搜索空间里的一个解，对应一组待优化的超参数组合；每个食物源对应一个适应度值，也就是当前超参下模型在验证集上的预测误差。

AHA最核心的设计有三个。第一是飞行模式，蜂鸟在搜索时按轴向飞行、对角飞行、全方位飞行三种方式更新位置，这保证了它在搜索前期能覆盖较大范围，后期又能围绕最优解精细开采。第二是访问表机制，每只蜂鸟记录自己访问过哪些食物源以及访问次数，优先级会偏向那些访问次数更少的食物源，这样做的好处是避免所有个体都挤到局部最优附近，保持种群多样性。第三是迁徙行为，当连续若干次迭代找不到更优食物源时，蜂鸟群会触发迁徙，重新初始化大部分个体位置，只保留当前最优个体，相当于给算法一次跳出局部极值的机会。

放在客流量预测这个场景里，AHA解决的是“模型结构定了但超参数很难定”的问题。CNN有几个卷积层、每层滤波器数量、LSTM隐层单元数、学习率、Dropout比例、CEEMDAN分解时的噪声标准差，这些参数之间不是独立作用的，网格搜索会爆炸，随机搜索又太碰运气。AHA的做法是把它们打包成一个决策向量，用验证集误差作为适应度，在几十次迭代内收敛到一组可用的组合，成本远低于人工反复试。

2.2 CNN、LSTM与Attention在客流序列预测里的分工

这套模型在骨干网络部分采用了CNN-LSTM-Attention的串联结构，各自承担不同的特征提取职责。CNN负责捕捉局部特征，在客流序列里表现为相邻时段之间的联动关系，比如早高峰前后两小时的客流走势、一次促销活动带来的连续几个采样点的跳变，卷积核在时间维度上滑动，把这些局部模式抽象成特征图。LSTM负责处理长期依赖，客流数据有明显的周期性，周一到周日循环、节假日前后异动，LSTM通过遗忘门、输入门和输出门决定历史信息保留多少、当前信息写入多少，从而把长时间跨度上的依赖关系记住。

Attention机制放在LSTM输出之上，核心思想是对LSTM每个时间步的隐状态做加权求和。不是所有历史时刻对预测未来客流同等重要，比如预测周五晚高峰，最近几个小时的客流趋势权重更高，去年同期同一天的客流也有参考价值，但三个月前某个普通周二的客流基本可以忽略。Attention通过学习一组权重，把有限的信息容量集中到那些真正影响下一个时刻的关键时间点上。

数据流大致是这样：原始客流序列经过滑窗构造样本，每个样本是一个多步历史窗口，先送入CNN做局部特征提取，再进入LSTM沿时间轴编码，输出序列经过Attention加权后接全连接层得到预测值。整个过程在Matlab里用深度学习工具箱就能搭出来，不需要写复杂的底层算子。

2.3 文件里为什么有emd.m和ceemdan.m：分解-预测-重构链路

压缩包里出现emd.m和ceemdan.m不是偶然。客流量序列通常是非平稳的，直接丢给神经网络预测，模型要同时学习趋势、周期和随机噪声，负担很重。常见的做法是先用CEEMDAN把原始客流序列分解成若干个本征模态函数（IMF），每个IMF都相对平稳，且代表不同频率尺度的成分，比如一个IMF对应长期趋势，几个IMF对应日周期与周周期，剩下的对应噪声项。

CEEMDAN是在EMD基础上加入自适应噪声辅助的改进版本，解决原始EMD的模态混叠问题。分解完成后，每个IMF单独送入CNN-LSTM-Attention模型训练预测，最后把各分量预测结果叠加重构，得到最终客流量预测值。这样每个子模型只需学习一种相对简单的模式，整体预测精度通常比直接端到端训练要高。需要注意的是分解会显著增加训练时间，因为每增加一个IMF就多一次完整模型训练，AHA寻优时要评估的适应度函数也随之变慢，这也是后面调参时要平衡的点。

% 分解-预测-重构的示意结构 imfs = ceemdan(y, Nstd, NE); % CEEMDAN分解客流序列 numIMF = size(imfs, 2); pred_sum = zeros(size(y)); for k = 1:numIMF pred_k = train_predict(imfs(:, k), params); % 每个IMF单独建模 pred_sum = pred_sum + pred_k; % 结果叠加 end

这里Nstd是噪声标准差，NE是噪声实现次数。Nstd设置过大会导致分解出多余的虚假分量，过小则起不到抑制模态混叠的作用；NE一般取几十到几百，直接影响分解稳定性和计算耗时。参数包里这些值通常已经设好，但替换自己的数据后，如果IMF个数明显异常，优先检查的就是这两个参数。

3. 跑通main.m：文件清单、数据替换与启动流程

3.1 解压后先认识文件：每个文件在哪个阶段起作用

拿到压缩包解压后，文件数量看起来不少，但真正需要动手改的就集中在几个文件里。先花两分钟把文件分工认清楚，能少踩不少坑。

这些文件里最容易被忽略的是Bounds.m和initialization.m。很多人替换数据后直接改main.m，一运行报“索引超出矩阵维度”，多半就是数据的特征列数变了，但AHA搜索空间的维度没有同步改。这一点放到第4章详细说。

3.2 启动流程：main.m从数据读取到预测输出分几步

main.m的整体流程可以拆成几个阶段，理解每一段在干什么，比直接按F5运行然后等结果要有用得多。下面这段是按照这套资源常见的main.m结构整理的启动流程示意。

% main.m 启动流程（示例结构） clear; clc; close all; % 读取案例数据 data = xlsread('data.xlsx'); x = data(:, 1:end-1); % 影响客流的特征列 y = data(:, end); % 客流量目标列 % 按时间顺序划分训练集与测试集 N = length(y); train_ratio = 0.8; train_n = floor(N * train_ratio); train_x = x(1:train_n, :); train_y = y(1:train_n); test_x = x(train_n+1:end, :); test_y = y(train_n+1:end);

第一行读取数据，这里要求data.xlsx是纯数值矩阵，第一列到倒数第二列是特征，最后一列是客流量。如果数据文件里有文本表头或者日期格式，xlsread可能会读成元胞数组导致报错，常见的处理是先把Excel里的表头删掉，或者统一改成数值格式。划分训练集和测试集必须按时间顺序，不能用randperm随机打乱，这是时序预测与普通分类任务最大的区别之一。

接下来是AHA寻优与训练预测部分。

% 用AHA寻优最优超参数组合 best_params = AHA(@calc_error, dim, Low, Up, nPop, MaxIt, train_x, train_y, test_x, test_y); % 用最优参数重新训练模型并预测 predict_value = train_predict(best_params, train_x, train_y, test_x);

AHA的调用形式大致是传入适应度函数句柄、决策变量维度、上下界和种群相关参数。calc_error作为适应度函数，会利用当前超参数组合训练一次模型，再返回验证集误差给AHA，AHA根据这个误差不断更新蜂鸟位置。这里最耗时的地方在于每一次适应度计算都意味着一次完整的模型训练，如果数据量大或者网络结构复杂，AHA迭代几十次就是几十次训练，耗时可能从几分钟到几十分钟不等。

3.3 替换data.xlsx：列格式与必须同步修改的位置

附带的data.xlsx跑通只是第一步，绝大多数人拿到这套资源是为了处理自己的客流数据。替换数据时最容易犯的错误是直接把自己的Excel文件命名为data.xlsx覆盖进去，结果main.m照常运行但预测结果完全不对。原因是列数和列顺序变了，而代码里对特征列和目标列的索引方式还是老的。

% 替换数据后的第一步：确认行列数 [nRow, nCol] = size(data); fprintf('数据维度: %d 行, %d 列\n', nRow, nCol);

确认好列数后，如果特征列数量不是“总列数减1”，就要检查代码里x = data(:, 1:end-1)这一段是否需要调整。需要明确的是，如果特征列数变了，必须同步修改Bounds.m里决策变量的维度，以及initialization.m里的位置初始化维度。这个联动关系是这套资源里最容易翻车的地方，几乎每个替换自己数据的人都会遇到。建议按照第4章的步骤一起改，不要只改main.m。

4. 参数化改造：AHA种群、边界上下限与维度对齐

4.1 需要关注的参数清单与修改位置

这套代码采用参数化编程，主要参数都集中在main.m和AHA.m的开头区域，注释也标得比较清楚。从实际运行角度看，下面这几个参数是优先关注的。

把哪些超参数放进AHA的决策向量里，是这套资源能否发挥价值的关键。我一般会把学习率、LSTM隐含单元数、CNN卷积核数量、Dropout率、Attention维度这几个参数打包，维度大概在5到8之间。其中LSTM隐层单元数是正整数，而AHA更新位置时产生的是连续值，需要取整处理，这一步在参数送入模型定义之前必须做。

% 定义AHA搜索空间的上下界（示例） dim = 5; Low = [0.001, 32, 16, 0.05, 8]; % 学习率, LSTM单元, 卷积核数, Dropout, Attention维度 Up = [0.01, 128, 64, 0.30, 32]; % AHA返回的连续解，需要将整数参数取整后再使用 learn_rate = best_params(1); lstm_units = round(best_params(2)); num_filters = round(best_params(3)); dropout_rate = best_params(4); attn_dim = round(best_params(5));

关于取值范围，经验法则是：学习率0.001到0.01对Adam优化器来说通常在安全区间内，太小收敛慢、太大容易振荡；LSTM隐层单元在客流这种中等规模数据上32到128已经足够，堆到256以上容易过拟合且训练极慢；卷积核数量16到64是性价比比较高的范围。这些范围不是固定的，如果你的数据量特别大，可以适当放大上界，但相应的AHA迭代次数也要增加，否则搜索不到充分好的解。

4.2 Bounds.m与SpaceBound.m：维度对齐是最容易踩的坑

AHA在更新蜂鸟位置时，每个维度上的新位置可能在搜索边界外，SpaceBound.m负责把越界位置拉回边界内。这是正常的优化机制。但问题在于，很多人在main.m里改了dim和Low/Up，却忘了Bounds.m和initialization.m里也有对应的维度定义，或者改了Bounds.m但SpaceBound.m里的维度判断不一致，运行时就会报矩阵维度不匹配。

% Bounds.m 示例：dim从5改成8时，这里必须同步扩到8个元素 Low = [0.001, 32, 16, 0.05, 8, 0.001, 1e-5, 0.1]; Up = [0.01, 128, 64, 0.30, 32, 0.01, 1e-3, 0.5];

常见的修改顺序应该是：先确定特征列数，再确定dim，再改Bounds.m，再改initialization.m，最后才改main.m里的Low和Up。只要记住“维度是贯穿所有文件的”，就不会出现改了AHA的上下界但初始化时越界的低级错误。如果运行时报错位置在initialization.m，不用怀疑，就是维度没对齐。

4.3 不同Matlab版本的兼容处理与中文注释乱码

摘要里写了这个资源兼容matlab2014、2019a和2024a，但实际运行时会发现，老版本和新版本之间还是存在一些函数兼容性问题。比较常见的是新版本代码里用了tiledlayout这类布局函数，低版本会报未定义函数；还有字符串处理函数在2014和2019a之间的行为差异。我的建议是优先用2019a或2024a运行，2014能跑通但遇到问题时排查成本高。

中文注释在低版本或特定系统语言环境下会显示乱码，这是编码问题，不是代码问题。处理方式是先用Notepad++打开.m文件，看右下角显示的编码格式，如果是UTF-8而Matlab默认按GBK解析，就会乱码。直接在Notepad++里把编码转换为GBK保存，再重新打开一般就能解决。

提示：如果只是做课程设计或毕设验证，建议全程用2019a或2024a跑，把精力放在参数调优上，不要在版本兼容上浪费时间。

5. 常见问题与避坑：客流量预测最容易翻车的五个位置

5.1 训练loss变成NaN或预测结果全是NaN

现象：跑第一个epoch时loss就显示NaN，或者预测值打印出来全是NaN。

原因：最常见的是学习率设置过大导致梯度爆炸，另一种情况是data.xlsx里有空单元格或极大异常值，LSTM对未归一化数据非常敏感。

解决：先把数据做归一化再进网络，同时把AHA搜索空间里学习率的上界压到0.01以下。检查原始数据里有没有空行或字符，Excel里一个空单元格会让xlsread读出NaN进而污染整个训练过程。

% 训练前统一归一化到[0,1]区间 X_norm = mapminmax(X', 0, 1)'; Y_norm = mapminmax(Y', 0, 1)';

mapminmax按行处理，所以这里先转置再转置回来。预测完成后要对应反归一化才能得到真实客流值，如果忘记反归一化，预测结果和真实值画在同一个图里会完全对不上。

5.2 预测曲线是一条水平直线

现象：测试集预测结果基本是一个常数，或者只在很小范围内波动，和真实客流曲线形态完全对不上。

原因：最常见的是时间序列被随机打乱了，模型学不到时间依赖关系。另一个原因是AHA适应度函数计算的是训练集误差而不是验证集误差，导致选出来的参数在训练集上很好，但测试集上完全失效。

解决：检查划分代码里有没有randperm，时序预测必须按顺序切分。再检查calc_error.m里返回的是哪个集合的误差，很多时候这个文件默认计算的是训练误差，需要改成验证集误差才能让AHA选到真正有泛化能力的参数。

% 时间序列必须顺序划分 idx_train = 1:floor(N * 0.8); idx_test = floor(N * 0.8)+1:N;

5.3 替换自己的数据后报矩阵维度不匹配

现象：替换data.xlsx后，运行到初始化或AHA位置更新时报“Matrix dimensions must agree”或“索引超出矩阵维度”。

原因：数据的特征列数和你自己在Bounds.m里定义的决策变量维度不一致。AHA的决策变量维度只与待寻优超参数个数有关，而不是特征列数，但某些初始化函数的矩阵行列由二者共同决定，一旦对不上就会报错。

解决：用size(data)确认总列数，明确哪些是特征、哪一列是目标，再按第4章的联动顺序统一修改dim、Bounds.m、initialization.m。改完这几处后，再跑main.m，这个报错基本不会再出现。

5.4 AHA寻优结果不稳定，每次跑出来的精度差很多

现象：同一份数据，连续跑两次，预测的误差指标差异明显，有时差三四个百分点。

原因：深度学习模型本身有随机初始化，AHA作为元启发式算法也带随机性，两个随机源叠加导致结果波动偏大。种群数量太小或迭代次数太少时，AHA还没收敛就停止了，结果更不稳定。

解决：对比实验时固定全局随机种子，这样至少模型初始化是确定性的；同时把nPop调到30到40，MaxIt放到150到200。做正式结论前跑3到5次独立实验取平均值，不要只用单次结果下结论。

rng(1); % 固定随机种子，得到可复现的结果

5.5 低版本Matlab打开main.m直接报未定义函数

现象：2014版本点击运行，报出某个函数名未定义。

原因：代码里使用了新版本Matlab才有的函数。摘要里说兼容2014，但某些辅助绘图函数或字符串处理函数在新旧版本之间有差异，具体要看拿到的代码版本。

解决：优先使用2019a或2024a运行。如果必须用2014，根据报错信息逐个把高版本函数替换成低版本写法，比如tiledlayout可以改回subplot，部分字符串函数换成strcat等旧版等价用法。

注意：报错时先看是哪个文件哪个函数，不要直接改main.m里的大段逻辑，通常是某一两个辅助函数引起的。

6. 把预测结果真正验收好：残差图、误差指标与滚动多步预测

6.1 用残差图和误差指标判断模型是否合格

模型跑完，光看预测曲线和真实曲线贴得近不近不够，还要看残差。残差是真实值减预测值的序列，如果残差围绕0上下随机波动，说明模型把主要规律都学到了；如果残差有明显的趋势或周期性，说明有成分没学进去，大概率是分解环节或训练不充分。

residual = test_y - predict_value; subplot(2,1,1); plot(predict_value, 'r', 'LineWidth', 1.5); hold on; plot(test_y, 'b--'); legend('预测值', '真实值'); subplot(2,1,2); plot(residual, 'k'); title('残差序列');

误差指标上，除了常见的RMSE和MAE，客流预测场景建议多看MAPE，即平均绝对百分比误差，它反映的是误差相对于真实值的比例，便于在不同时段之间比较。MAPE在5%以内属于不错的结果，10%左右说明还可以再调，超过15%就要回头检查数据或参数了。

6.2 从单步预测扩展到滚动多步预测

这套资源默认做的是单步预测，也就是用历史窗口预测下一个时刻。如果业务上需要预测未来一个时段而不是一个点，可以在现有模型输出基础上接滚动预测，把预测值拼接进历史窗口，继续预测下一个时刻。

% 滚动预测示意：每次把预测值推入窗口末端 current_seq = history; % 初始历史窗口 for s = 1:steps y_next(s) = model.predict(current_seq); current_seq = [current_seq(2:end); y_next(s)]; end

滚动预测的误差会随步数增加而累积，这是时序预测的固有问题。实际使用时，预测步数越多，结果的置信度越低。我一般会把滚动步数限制在5到10步以内，并且每多一步都检查残差是否发散，发散了就说明模型对远期规律的学习不足。

从那以后我每次做这类时序预测实验，都强制走一遍“原始序列可视化、CEEMDAN分解、逐分量预测、叠加重构、残差检验”的完整流程，少一步都觉得心里没底。AHA寻优带来的精度提升，只有在你把数据处理和维度对齐这些基础工作做扎实之后才能真正体现出来。这套Matlab实现最难得的地方是代码注释清楚、替换数据就能跑，适合作为深度学习和智能优化算法结合的一次完整实践，希望帮到你。

本文还有配套的精品资源，点击获取