简介：该资源面向计算机、电子信息工程、数学等专业的大学生及算法初学者，提供一套基于人工蜂鸟优化算法AHA融合CNN、LSTM与Attention的客流量预测Matlab实现方案，可用于课程设计、期末大作业或毕业设计。压缩包共19个文件，约217KB，包含12个m脚本文件（主程序、AHA优化、EMD与CEEMDAN分解、误差计算及函数边界处理等模块）、2个xlsx数据表、4张png结果图与1份说明文档，附赠案例数据可直接运行。代码采用参数化编程，参数修改方便，注释详尽，便于新手理解算法逻辑与编程思路。已有65人学习关注。通过该资源，读者可获得完整的预测模型代码框架、数据分解与优化流程示例及误差评估脚本，快速复现实验并替换自有数据进行个性化研究。
1. 客流预测为什么值得用 AHA-CNN-LSTM-Attention 重做一遍
做过地铁、公交、景区或商场客流预测的人大多有过同一种挫败感：明明 LSTM 已经堆到三层，MAPE 还是卡在 12% 上下，节假日一上来直接翻车。问题往往不在网络深度，而在两处——一是 CNN 提局部时序特征时卷积核尺寸全靠拍脑袋，二是 LSTM 的隐藏单元数和学习率靠试凑，参数组合的搜索空间大得离谱，人工调参基本等于玄学。人工蜂鸟优化算法（Artificial Hummingbird Algorithm，AHA）恰好是冲着这类连续参数寻优来的：它模拟蜂鸟的轴向、对角线和全向三种飞行觅食策略，配合访问表机制避免重复搜索，在中小维度连续优化问题上收敛快、跳出局部最优的能力比粒子群和灰狼更稳。把 AHA 用来给 CNN-LSTM-Attention 定超参数，再用 Matlab 把整条链路跑通，就是这套方案的核心。它适合手里有历史客流序列、想在不换模型骨架的前提下把精度再压几个点的工程同学，也适合做课程设计或算法研究、需要一套可复现对比实验的人。
2. AHA-CNN-LSTM-Attention 的骨架与选型理由
2.1 三个模块各自解决什么问题
客流序列是典型的强周期、多尺度、带突发扰动的单变量或多变量时间序列。CNN 负责在时间维上做一维卷积，把相邻时刻的局部波动压成更稳的特征片段，相当于给后面的循环网络做一次降噪和升维；LSTM 负责把这些片段按时间顺序串起来，记住长周期的日周期和周周期规律；Attention 则对 LSTM 各时间步的输出加权，让模型在预测早高峰时自动把注意力压到前几天的同一时段，而不是被深夜的零客流稀释。三者是串联关系：CNN 输出特征序列 → LSTM 编码 → Attention 加权 → 全连接出预测值。
选这套骨架而不是纯 Transformer，理由很实际：客流数据量通常只有几千到几万条，Transformer 在这种规模上容易过拟合，而 CNN-LSTM 的参数量可控，训练在单机 Matlab 上几分钟就能跑完一轮。选 AHA 而不是贝叶斯优化，是因为 AHA 实现简单、不需要概率代理模型，Matlab 里几十行就能写完，且对目标函数没有可导要求，直接拿验证集 MAPE 当适应度就行。
2.2 AHA 的三种飞行策略与访问表
AHA 的种群里每只蜂鸟维护一张访问表，记录它去过哪些食物源、停留多久。轴向飞行沿坐标轴方向做长距离跳跃，负责全局探索；对角线飞行在多个维度上同时移动，负责维度间的协同；全向飞行做小范围随机扰动，负责局部精修。三种策略按概率切换，访问表则保证蜂鸟不会反复扎进同一个局部最优。这个机制映射到超参数搜索上，就是让候选参数组合在“隐藏单元数—学习率—卷积核尺寸—Dropout”这个四维空间里既敢跳远又不会原地打转。
2.3 用 AHA 优化哪些超参数
不是所有参数都值得交给 AHA。权重矩阵和偏置由反向传播自己学，不需要优化；真正值得搜的是那些影响训练稳定性和容量上限的结构与训练超参。我一般固定搜这四个：
| 参数 | 含义 | 搜索下界 | 搜索上界 | 类型 |
|---|---|---|---|---|
| numHiddenUnits | LSTM 隐藏单元数 | 32 | 256 | 整数 |
| InitialLearnRate | 初始学习率 | 1e-4 | 1e-2 | 连续（对数） |
| filterSize | 一维卷积核尺寸 | 3 | 9 | 整数（奇数） |
| dropoutRate | Dropout 比例 | 0.1 | 0.5 | 连续 |
搜索维度只有 4，AHA 种群规模设 8~12、迭代 15~25 次就够，再大就是浪费算力。适应度函数用验证集上的 MAPE，越小越好。
2.4 数据准备与归一化
客流数据常见的坑是量纲和缺失值。Matlab 里读进来先做缺失值线性插值，再按训练集统计量做 min-max 归一化，注意测试集必须用训练集的 min/max，不能各自归一化，否则信息泄漏，验证指标会虚高。滑动窗口构造样本时，窗口长度建议覆盖一个完整周期，比如按小时采样的数据取 24 或 168。
% 读取并预处理客流序列 raw = readmatrix('passenger_flow.csv'); % 单列客流 raw = fillmissing(raw, 'linear'); % 线性插值补缺 [trainData, testData] = splitData(raw, 0.8); % 前80%训练 % 用训练集统计量归一化，测试集复用 mu = min(trainData); sg = max(trainData) - min(trainData); trainNorm = (trainData - mu) / sg; testNorm = (testData - mu) / sg; % 滑动窗口构造监督样本，窗口24步 win = 24; [XTrain, YTrain] = makeWindows(trainNorm, win); [XTest, YTest] = makeWindows(testNorm, win);这段代码里splitData按时间顺序切分而不是随机切分，时间序列不能打乱；makeWindows把前win个点当输入、下一个点当标签。归一化的mu和sg必须从训练集算，这是最容易被忽略的泄漏点。
3. 在 Matlab 里把 AHA 和网络训练接起来
3.1 定义适应度函数
适应度函数是 AHA 和深度学习工具箱之间的桥。它接收一个参数向量，搭网络、训练、在验证集上算 MAPE，返回标量。为了让 AHA 收敛快，训练轮数在搜索阶段可以压到 30~50，找到最优参数后再用完整轮数重训。
function mape = fitnessAHA(x, XTrain, YTrain, XVal, YVal) % x = [numHidden, log10(lr), filterSize, dropout] numHidden = round(x(1)); lr = 10 ^ x(2); filtSize = 2 * round(x(3)/2) + 1; % 强制奇数 dropout = x(4); layers = [ sequenceInputLayer(1) convolution1dLayer(filtSize, 16, 'Padding','same') reluLayer lstmLayer(numHidden, 'OutputMode','sequence') attentionLayer(64) % 自定义注意力层 fullyConnectedLayer(1) regressionLayer]; opts = trainingOptions('adam', ... 'InitialLearnRate', lr, ... 'MaxEpochs', 40, ... 'MiniBatchSize', 32, ... 'ValidationData', {XVal, YVal}, ... 'ValidationFrequency', 10, ... 'Verbose', false); net = trainNetwork(XTrain, YTrain, layers, opts); pred = predict(net, XVal); mape = mean(abs((YVal - pred) ./ YVal)) * 100; endattentionLayer在标准工具箱里没有，需要自己写一个带predict和forward的自定义层，核心是对 LSTM 输出的时间维做 softmax 加权求和。filtSize强制奇数是为了Padding='same'时输出长度对齐。MaxEpochs设小是搜索阶段的常规做法，别在这里追求最终精度。
3.2 AHA 主循环
AHA 主循环按三种飞行策略更新位置，越界就截断回边界，每代评估适应度并更新全局最优。下面是最小可运行版本。
function [bestX, bestFit] = runAHA(objFun, lb, ub, pop, maxIter) dim = numel(lb); pos = lb + rand(pop, dim) .* (ub - lb); fit = arrayfun(@(i) objFun(pos(i,:)), 1:pop)'; [bestFit, idx] = min(fit); bestX = pos(idx, :); for t = 1:maxIter for i = 1:pop r = rand; if r < 0.33 % 轴向飞行：全局探索 dir = zeros(1, dim); d = randi(dim); dir(d) = 1; newPos = pos(i,:) + dir .* randn * (pos(i,:) - bestX); elseif r < 0.66 % 对角线飞行：维度协同 newPos = pos(i,:) + randn(1,dim) .* (pos(i,:) - bestX); else % 全向飞行：局部精修 newPos = pos(i,:) + 0.01 * randn(1,dim); end newPos = min(max(newPos, lb), ub); % 边界截断 newFit = objFun(newPos); if newFit < fit(i) pos(i,:) = newPos; fit(i) = newFit; end if newFit < bestFit bestFit = newFit; bestX = newPos; end end fprintf('Iter %d, best MAPE = %.4f\n', t, bestFit); end end三种策略的概率阈值 0.33/0.66 是经验值，探索和精修的平衡靠它调。newPos更新后必须做边界截断，否则numHidden可能变成负数导致建层报错。fprintf每代打印最优适应度，方便观察是否早熟收敛。
3.3 调用与最终重训
搜索完成后拿bestX反解出真实超参数，用完整轮数重训一次，再在测试集上评估。
lb = [32, -4, 3, 0.1]; ub = [256, -2, 9, 0.5]; objFun = @(x) fitnessAHA(x, XTrain, YTrain, XVal, YVal); [bestX, bestFit] = runAHA(objFun, lb, ub, 10, 20); % 反解并重训 numHidden = round(bestX(1)); lr = 10 ^ bestX(2); filtSize = 2 * round(bestX(3)/2) + 1; dropout = bestX(4); fprintf('最优参数: hidden=%d, lr=%.5f, filt=%d, drop=%.3f\n', ... numHidden, lr, filtSize, dropout);lb和ub的取值直接决定搜索空间，学习率用对数坐标（-4 到 -2 对应 1e-4 到 1e-2）比线性搜索更合理。种群 10、迭代 20 是精度和耗时的折中，实测在几千条样本上单次搜索约十几分钟。
4. 训练与评估阶段最容易翻车的五个点
4.1 验证集 MAPE 很低但测试集崩了
现象：搜索阶段验证 MAPE 只有 4%，换测试集变成 18%。原因通常是归一化用了全量数据的 min/max，或者滑动窗口在切分前就构造好，导致测试段信息漏进训练。解决：先按时间切分原始序列，再各自构造窗口，归一化统计量只从训练段取。
4.2 AHA 迭代几次就所有个体一样
现象：打印的 best MAPE 从第 3 代起不再变化。原因是全向飞行的扰动系数 0.01 太小，种群多样性丢失。解决：把全向扰动改成随迭代衰减的自适应系数，前期大后期小，或在连续 3 代无改进时对最差个体重新随机初始化。
4.3 自定义 attentionLayer 报维度错误
现象：trainNetwork抛 “Invalid input size” 或输出维度对不上。原因是注意力层对 LSTM 的sequence输出做加权后，输出维度应保持numHidden×1，如果误写成对 batch 维加权就会错。解决：确认加权维度是时间维（第 2 维），sum(weights .* input, 2)而不是sum(..., 1)。
4.4 训练损失震荡不收敛
现象：loss 曲线上下大幅跳动。原因多是学习率上界给太大，AHA 搜到 1e-2 附近。解决：把ub的学习率上界压到 1e-3，或在trainingOptions里加'LearnRateSchedule','piecewise'让学习率分段下降。
4.5 单次搜索耗时过长
现象：一轮 AHA 跑一两个小时。原因是适应度函数里MaxEpochs设太大，或MiniBatchSize太小。解决：搜索阶段MaxEpochs压到 30~40、MiniBatchSize提到 64，找到最优参数后再用完整配置重训。有 GPU 的话在trainingOptions里加'ExecutionEnvironment','gpu'。
5. 把 AHA 换成多目标、把评估做扎实的两个进阶技巧
搜索到最优参数只是起点，真正决定这套方案能不能写进论文或落地报告的，是评估的严谨性和搜索目标的合理性。第一个技巧是把单目标 MAPE 换成多目标：同时最小化 MAPE 和预测方差，用 AHA 的种群维护一个非支配解集，最后在帕累托前沿上挑一个精度和稳定性折中的解。实现上把适应度函数返回值改成[mape, std(err)]，主循环里加一层非支配排序即可，代价是耗时翻倍，但能避免选到一个在验证集上碰巧好、换个时段就崩的参数。
第二个技巧是评估别只看 MAPE。客流预测里高峰时段的绝对误差比全天平均更重要，建议同时报 MAE、RMSE 和高峰时段 MAPE 三个指标，并做至少 5 折的时间序列交叉验证，每折单独跑一次 AHA。我自己的习惯是固定随机种子，把每次搜索的最优参数和对应指标存成表格，跑完 5 折再取均值，这样写出来的对比表才经得起追问。还有一点血泪经验：AHA 的随机性会让两次搜索结果不同，别只跑一次就下结论，至少重复 3 次取中位数。这套方案值不值得做，取决于你的数据是否有明显周期性和突发扰动——如果序列本身接近白噪声，再好的优化算法也救不回来，先画个自相关图确认周期再动手。希望帮到你。
本文还有配套的精品资源，点击获取
