简介基于LSTM的时间序列分析预测Python源码面向数据科学、人工智能方向的学习者与开发者。项目以空气污染数据为例完整覆盖数据加载与归一化、LSTM模型构建基于Keras/TensorFlow、模型训练、评估与未来值预测等环节并配有可运行的CSV数据、模型检查点及已训练H5权重方便直接验证效果。压缩包共126个文件其中75个Python脚本为核心代码26个CSV数据文件用于实验15个TXT说明文档辅助理解代码逻辑与运行步骤另有模型检查点、索引文件等整体仅5.42MB目录结构清晰便于按模块研读。目前已有5095人学习下载。通过该源码读者可深入理解LSTM门机制及其在长期依赖建模中的应用掌握时间序列预测任务的标准流程同时也可参考其数据预处理方式与模型调参思路为课程设计、毕业设计或实际项目提供可直接改用的参考实现。1. 一个zip源码包为什么值得你花时间读完LSTM这条线打开这份【Python源码】基于LSTM的时间序列分析预测.zip之前先想清楚一个前提你手里的数据是不是一串按时间排列的数值而且下一个值大概率由前面若干个值决定如果是LSTM长短期记忆网络几乎是你现阶段性价比最高的模型。它不需要你把特征工程做到极致也不用像Transformer那样堆算力却能比线性回归、ARIMA更好地捕捉长周期依赖。这份源码的核心价值是把“时间序列分析预测”从概念落到可运行的Python工程数据怎么切、窗口怎么滑、网络怎么搭、预测值怎么还原回原始量纲每一步都有章可循。适合刚学完Python基础和PyTorch入门、想拿真实任务练手的读者也适合已经在用滑动窗口做回归、但对LSTM超参和踩坑还没底的从业者。下面按“数据准备→模型搭建→调参避坑→指标验证”的顺序往下展开。2. 把时间序列喂给LSTM之前窗口、归一化与数据集构造2.1 为什么是LSTM而不是RNN或TCN选型前先算三笔账普通RNN的问题我不止一次在项目里撞见序列一长反向传播的梯度要么消失要么爆炸结果就是模型只“记住”最近三五步稍微久远一点的信息全丢。LSTM引入门控机制用遗忘门、输入门、输出门决定信息去留本质上是给梯度修了一条“高速公路”所以它能处理几十步甚至上百步的依赖关系。对比一下你手头可能考虑的几个选项。普通RNN结构最简参数量小但序列长度一旦超过20步预测基本退化成“拿最近一个值糊弄”LSTM参数多一些但hidden_size在32到128之间通常就能覆盖绝大多数单变量序列场景训练速度完全可以接受TCN和Transformer感受野大、并行性好可那是给长序列大样本准备的几千条数据丢进去反而容易过拟合。还有一个现实问题这份源码既然选了LSTM你后续做二次开发时找资料、调bug都会顺很多因为LSTM在时间序列预测里的工程实践是最完整的。选型还有个隐性成本模型越复杂你要盯的超参越多。LSTM需要关心的无非hidden_size、num_layers、学习率、窗口长度这几个而Transformer还要管d_model、nhead、positional encoding。单变量时间序列预测这个任务量级用LSTM起步是划算的。我一般会先跑通一个最小LSTM拿到基线指标再决定要不要上更重的结构。2.2 滑动窗口怎么设lookback的语义、步长与标签错位把时间序列变成监督学习样本最常用的做法是滑动窗口用前lookback个时间步预测下一个时间步这个“下一个”就是标签。你手里是一天24小时的数据那就把窗口设成24含义是“用过去一天预测下一个小时”如果数据是月度颗粒度窗口设12则代表“用过去一年预测下个月”。窗口越小模型能看到的上下文越短窗口越大样本数越少训练集可能不够用。步长stride是窗口每次滑动的间隔。stride1时相邻样本高度重叠数据量最大但样本之间有强相关性模型容易在训练集上“背题”stride1时样本量减少相关性也降下来训练更快。我的习惯是先用stride1验证模型能跑通再根据训练耗时决定是否增大步长。import numpy as np def create_sequences(data, lookback24, stride1): 把一维归一化序列切成 (X, y) 监督样本 参数 ---- data : np.ndarray, shape (N, 1)必须是已经归一化后的单特征序列 lookback : 输入窗口长度用过去 lookback 个点预测下一点 stride : 每次滑动的步长 返回 ---- X : shape (样本数, lookback, 1) y : shape (样本数, 1) X, y [], [] for i in range(0, len(data) - lookback, stride): X.append(data[i : i lookback]) y.append(data[i lookback]) return np.array(X, dtypenp.float32), np.array(y, dtypenp.float32)这里最容易搞错的是循环上界range必须停在len(data) - lookback因为i lookback要能取到合法下标作为标签。切出来的样本总数是(len(data) - lookback) // stride如果数据只有1000条、lookback设成200那就只剩800个样本这个账要提前算。关于lookback的取值我给个可操作的经验数据有明显周期性就取一个到两个周期长度没有周期就先画自相关图看滞后几阶相关性显著下降实在不想分析就从24起步用验证集误差反推。源码包里如果默认写的是24或12通常就是按日/月周期预设的。比lookback更隐蔽的是归一化——窗口切分必须在归一化之后做顺序反了缩放后的边界值会失真。2.3 用PyTorch封装数据类一份可直接跑的序列样本生成代码切好X和y之后下一步是把它们塞进PyTorch的Dataset和DataLoader。这一步看起来多余但直接关系到后面训练循环的整洁度和可复现性。DataLoader会自动处理batch切分、shuffle和多进程加载你只需要把__getitem__里返回的索引对应的样本取出来就行。import torch from torch.utils.data import Dataset class TimeSeriesDataset(Dataset): PyTorch Dataset 封装负责把 numpy 数组转成 Tensor 并且让 DataLoader 能按索引取样本 def __init__(self, X, y): assert len(X) len(y), X 和 y 的样本数不一致 self.X torch.tensor(X, dtypetorch.float32) self.y torch.tensor(y, dtypetorch.float32) def __len__(self): return len(self.X) def __getitem__(self, idx): return self.X[idx], self.y[idx]这段代码本身没什么玄机但有一个细节类型必须显式指定torch.float32否则默认会继承numpy数组的dtype切出来的数据如果是float64后面LSTM的输入和权重类型不匹配会直接报错。训练集和测试集分别用各自的DataLoader训练时shuffleTrue打乱样本顺序验证时一定要shuffleFalse因为验证集的预测和真实值需要按时间顺序对齐画图。from torch.utils.data import DataLoader train_loader DataLoader(train_dataset, batch_size64, shuffleTrue) test_loader DataLoader(test_dataset, batch_size64, shuffleFalse)到这里数据链路就通了原始序列 → 归一化 → 窗口切分 → Dataset → DataLoader。每一步的数据形状我建议都在终端打印确认X.shape必须是(样本数, lookback, input_size)y.shape是(样本数, 1)。三维输入是LSTM的硬性要求少了最后一维模型会把它当成二维输入直接报维度错误。3. 从零搭建LSTM预测模型结构、训练循环与结果对齐3.1 模型怎么搭input_size、hidden_size、num_layers的取值逻辑LSTM模型结构本身不复杂复杂的是参数到底填多少。先看一个最简可用的PyTorch实现再逐一解释每个参数的含义。import torch.nn as nn class LSTMPredictor(nn.Module): 输入形状: (batch_size, lookback, input_size) 输出形状: (batch_size, output_size) 典型用法: 用过去 lookback 个时间步预测下一时间步的值 def __init__(self, input_size1, hidden_size64, num_layers2, output_size1): super(LSTMPredictor, self).__init__() self.lstm nn.LSTM( input_sizeinput_size, hidden_sizehidden_size, num_layersnum_layers, batch_firstTrue, dropout0.2 if num_layers 1 else 0.0 ) self.fc nn.Linear(hidden_size, output_size) def forward(self, x): # x: (batch, lookback, input_size) out, (h_n, c_n) self.lstm(x) # 取最后一个时间步的输出作为全连接层的输入 last_out out[:, -1, :] # (batch, hidden_size) return self.fc(last_out) # (batch, output_size)先说input_size。单变量预测就是1代表每个时间步只有一个特征如果你把温度、湿度、风速一起喂进去input_size就是特征数量这时每一维特征要在同一时刻做归一化。然后是hidden_size这是LSTM隐藏状态的维度相当于网络的“记忆容量”。hidden_size太小记不住长期依赖太大则参数量爆炸且容易过拟合。单变量序列预测从64起步是平衡点小参数、快训练的正常选择。num_layers是堆叠的LSTM层数。层数加一感受野更大能捕捉更高层的抽象模式但训练难度和过拟合风险同时上升。两层是单变量时间序列预测的常见配置三层以上在数据量不够时通常只会让你的验证误差更难看。注意PyTorch的nn.LSTM里dropout参数只在num_layers1时生效两层及以下你填了0.2模型只有最后一层全连接之前的dropout这个要知道别以为dropout已经在起作用了。还有一个关键参数是batch_firstTrue。它决定了你输入张量的形状是(batch, lookback, input_size)而不是(lookback, batch, input_size)。新手最容易在这翻车忘了加batch_first结果训练时维度对不上报错信息还特别误导。我建议所有LSTM定义里都显式写上batch_firstTrue省得每次都要在脑子里做维度转置。3.2 训练循环里必须盯住的三个量loss、梯度范数、验证误差训练循环是整份源码里“经验差”最集中的地方。新手容易把注意力全放在loss降不降上忽略了梯度是否稳定、验证误差是否同步下降。一份可复用的训练循环应该把这三件事全管住。import torch.optim as optim from torch.utils.data import DataLoader criterion nn.MSELoss() optimizer optim.Adam(model.parameters(), lr1e-3) train_loader DataLoader(train_dataset, batch_size64, shuffleTrue) val_loader DataLoader(val_dataset, batch_size64, shuffleFalse) epochs 50 model.train() for epoch in range(epochs): train_loss 0.0 for x_batch, y_batch in train_loader: optimizer.zero_grad() # 梯度清零 out model(x_batch) # 前向传播 loss criterion(out, y_batch) # 计算损失 loss.backward() # 反向传播 torch.nn.utils.clip_grad_norm_( model.parameters(), max_norm1.0) # 梯度裁剪 optimizer.step() # 更新参数 train_loss loss.item() * len(x_batch) train_loss / len(train_loader.dataset) # 验证阶段不计算梯度不更新参数 model.eval() val_loss 0.0 with torch.no_grad(): for x_batch, y_batch in val_loader: out model(x_batch) val_loss criterion(out, y_batch).item() * len(x_batch) val_loss / len(val_loader.dataset) if (epoch 1) % 10 0: print(fepoch {epoch1:3d} train{train_loss:.6f} val{val_loss:.6f})先说optimizer.zero_grad()为什么必须在每次迭代开头调用。PyTorch的梯度是累积的不清零的话下一batch的梯度会和上一batch加在一起loss不但不降反而会越滚越大。loss.backward()算完梯度后clip_grad_norm_这行最容易被新手忽略。LSTM在长序列上反向传播时梯度范数可能飙到几百一次更新就能把参数推到无穷大所以梯度裁剪不是可选项是保护训练稳定性的“后悔药”。model.eval()和torch.no_grad()是两个不同的概念。eval()切换dropout和BatchNorm的行为no_grad()关闭梯度追踪以节省内存。验证时两者缺一不可只用eval()不关梯度内存会爆只关梯度不切eval()dropout还在随机丢弃验证误差忽高忽低不稳定。loss用什么默认MSELoss是回归任务的常选因为平方项会让模型更用力去拟合大偏差的样本。但MSE的缺点是数值大一个极端异常值就能撑起大半loss。如果你发现训练loss降得很慢可以先换成MAELoss试一试有时候效果更稳。学习率我习惯从1e-3起步Adam优化器配这个默认值对大多数序列任务都够用。3.3 反向归一化与结果对齐inverse_transform不能漏模型训练完预测值还在0到1的归一化空间里直接拿来和真实值比较毫无意义。这里必须用训练时fit好的scaler做一次逆变换还原回原始量纲。常见翻车现场忘了逆变换拿归一化的预测值直接画图发现曲线严重偏离真实值然后怀疑模型坏了其实是量纲没还原。import numpy as np # 假设 x_test 已经是形状为 (样本数, lookback, input_size) 的张量 model.eval() with torch.no_grad(): pred_scaled model(x_test_tensor).numpy() # (样本数, 1) # 逆变换回原始量纲 pred_original scaler.inverse_transform(pred_scaled) true_original scaler.inverse_transform(y_test_scaled.numpy()) # 时间对齐测试集中第 i 个样本的标签对应原始序列的下标 lookback i start_offset lookback len(train_original) time_index np.arange(start_offset, start_offset len(pred_original))时间对齐是另一个容易被忽略的细节。原始序列切片成样本后每个样本的标签在原序列中的位置是i lookback而不是i。训练集占了前80%的原始数据所以测试集第一个样本的真实时间点是len(train_original) lookback。如果你直接拿测试集的原始下标去画图曲线会错位lookback个点乍看像是预测“提前”或“滞后”其实只是下标没对齐。inverse_transform还有个形状要求输入必须是二维(n, 1)不能是三维。模型输出的pred_scaled是三维张量用.numpy()后要检查形状必要时用.reshape(-1, 1)压回二维。这个细节在特征数大于1时尤其重要因为MinMaxScaler对每个特征独立做逆变换输入形状不对它会默认按行处理结果错得毫无提示。3.4 参数表格一套可以直接照抄的初始超参整理一份我在单变量序列预测里常用的起手参数不是最优但能保证你把流程跑通后再优化。参数推荐初始值调整方向lookback24数据周期长的增大到48/96hidden_size64欠拟合时加到128过拟合时减到32num_layers2数据量少就设1序列模式复杂再考虑3batch_size64样本少用16/32训练慢用128learning_rate1e-3训练震荡降到1e-4太慢可调回3e-3dropout0.2仅多层时过拟合加到0.3/0.4epochs50看验证误差曲线不要一成不变4. 避坑实录LSTM时间序列预测里最容易翻车的5个位置LSTM时间序列预测这个方向网上教程一抓一大把但真正跑过真实数据的都知道RNN家族的坑远比其他模型多。我把这几年做过的能源负荷预测、股票趋势拟合、设备传感器寿命预测项目里最常遇到的五个问题整理如下每条都按“现象→原因→解决”给到位。4.1 现象训练loss一直在降预测曲线却是一条“平移的直线”这是我见过最多的翻车现场。预测曲线和真实曲线形状完全一致但整体向右“平移”了一步看起来就像把真实值往后挪了一个时间点。模型什么都没学到吗不是。它学到的最优策略是“下一个值约等于上一个值”。原因很简单时间序列往往高度自相关尤其是小时级或天级粒度的数据。对LSTM来说取上一个时刻的值作为预测值是损失最低的解法比任何复杂特征都可靠。这不算模型坏了而是数据本身的信号太弱或者窗口内的信息不足以预测突变。解决思路有三个方向。第一步是跑一个baseline对照“拿上一时刻的真实值作为预测”计算它的loss。如果LSTM的loss和baseline几乎一样说明模型已经没有提升空间问题出在数据而不是网络。第二步是增大lookback让模型看到更长的历史打破“只记得最近一步”的懒惰策略第三步是引入外部特征比如预测气温时加入湿度、风速、是否工作日让模型有更多线索可依。如果改完还是平移那就接受事实任务本身的可预测性就是有限的。4.2 现象训练集拟合很好测试集一塌糊涂训练loss降到0.001验证loss却停在0.1还不断往上走典型的过拟合信号。LSTM虽然叫神经网络但参数量并不少hidden_size128、num_layers2的模型光LSTM层就有好几万个参数而你的训练样本可能只有几千条参数量比样本量还多不拟合才怪。解决方法按优先级排第一把hidden_size减到32或16Layer数减到1先让模型“笨”下来第二在LSTM层和全连接层之间加dropout数值从0.2起步第三做早停验证loss连续10个epoch不降就终止训练别等50个epoch全跑完第四如果你有数据增广的条件用噪声扰动训练样本。我踩过的坑是盲目相信“train loss越低越好”最后发现测试集崩溃得很难看。记住一个朴素道理LSTM不是越复杂越好够用就行。4.3 现象同样的参数两次跑结果完全不一样很多人第一次跑LSTM都会遇到什么都没改重新执行一遍出来的RMSE差了10%甚至更多。这不是代码有bug而是随机性在作祟。LSTM权重初始化是随机的DataLoader的shuffle打乱顺序也是随机的GPU上cuDNN的某些算法本身不确定。两个模型的预测结果自然就有波动。解决方法是固定随机种子。在训练脚本最开头加一段import random import numpy as np import torch random.seed(42) np.random.seed(42) torch.manual_seed(42) torch.cuda.manual_seed_all(42) torch.backends.cudnn.deterministic True torch.backends.cudnn.benchmark Falsecudnn.deterministicTrue会让cuDNN选择确定性的算法代价是速度略慢benchmarkFalse禁止它根据输入形状自动选最快的算法否则同一份代码不同运行环境下的结果会有细微差异。有一点要说清楚固定种子之后你只是让“同样代码在同环境”下可复现换一台机器或换PyTorch版本结果仍然可能略有不同。这在神经网络里是正常现象不必过度紧张。4.4 现象训练到中途loss突然变成NaNNaN意味着模型参数已经溢出到无穷大后续所有计算都失去意义。原因通常是两个。第一个是学习率太大Adam在lr1e-2以上时某些batch的梯度范数过大一步更新直接把参数推到数值上限第二个是数据本身有问题输入包含NaN或Inf或者有个别的极端异常值MSE一平方直接爆炸。排查顺序先检查数据print(df.isnull().sum())加df.describe()看有没有缺失和无穷大再把lr降到1e-4并用上一节的clip_grad_norm_兜底最后还可以检查归一化后的数据是否还有明显的离群点如果有用分位数裁剪把它们压回去。这里有个细节做inverse_transform时如果原始标签里有NaN逆变换结果也会是NaNloss算出来就是NaN但很多人不会往数据那边想白调半天网络。4.5 现象预测曲线比真实曲线平滑太多尖峰完全预测不到这个现象在能源负荷、流量预测里尤其明显真实曲线有大量尖峰预测曲线却像一条温和的波浪线。先给结论这不是bug是MSE损失的固有缺陷。MSE假设误差服从正态分布训练时模型学的是“所有可能结果的均值”。噪声大的序列条件均值就等于一条平滑的曲线尖峰作为小概率事件被平均掉了。要预测尖峰区间有两个可行方向。方向一把损失换成分位数损失比如pinball loss让模型输出90%分位数的预测值这样预测曲线整体上移尖峰区域会被覆盖到。方向二做残差分析先拟合预测均值再单独对残差建一个波动模型。但如果业务只需要一个整体趋势那平滑的预测本来就是正常的不必强行修。我见过不少人在这里花了一个月调参最后也没能让MSE训练出来的LSTM预测出尖峰——因为方向就错了。5. 从能跑到好用多步预测、评估指标与换数据的通用法则5.1 递归多步与直接多步怎么选源码给出的模型默认只预测一步。但真实业务很少只要“下一个小时”往往要的是未来24小时或7天。最省事的扩展是递归多步把预测出的t1拼到窗口末尾滚动预测t2以此类推。实现简单但误差沿窗口累积预测步数一长曲线会快速收敛到水平线。如果预测步数在3步以内递归方法完全够用超过5步建议直接多步——把模型输出维度从1改成N一次预测未来N个值。直接多步的训练数据要把标签改成(batch, N)损失和指标都按N维来算。我的习惯是先递归验证模型上限确定预测步数固定后再切直接多步。5.2 三个指标配合着看RMSE、MAE、MAPE各自的脾气单看一个指标你可能会被误导。RMSE对大误差极度敏感一个离群点能让RMSE翻倍适合大误差不能容忍的场景MAE是线性平均受异常值影响小MAPE是百分比形式直观但数据里一旦出现接近0的值就彻底不可用。我的做法是三者全算出来对比看。如果RMSE远大于MAE说明预测里存在少量很大的误差点要去检查那个时段的输入数据是否异常。还有一条铁律指标的绝对值没有意义必须和baseline比。用持久化模型用上一个观测值作为预测计算RMSELSTM的RMSE至少要低15%才算模型真的学到了东西。5.3 换数据先做四件事换一份新数据不要直接丢进模型里跑先做四件事。第一重新fit归一化器而且只用训练段去fit测试段不参与防止数据泄漏第二根据新数据的周期重新选lookback看自相关图决定别沿用上一个项目的经验值第三检查序列平稳性有明显趋势就先做一阶差分不做差分的LSTM大概率会退化到4.1的“平移直线”第四先跑持久化baseline拿到参考RMSE再开始训练LSTM这样你后面怎么调都有数。LSTM时间序列预测这个方向我吃过最大的亏就是拿到新数据不更新窗口、不跑baseline直接沿用老参数训练结果模型表现不好还误以为是网络结构的问题。后来养成了习惯每次换数据先把那四件事做完再动模型。数据决定上限模型只是逼近这个上限的工具。希望这份源码能让你少走几步弯路跑通LSTM预测这事真的没有想象中那么玄。本文还有配套的精品资源点击获取