简介压缩包内是基于LSTM的时间序列分析预测完整Python源码覆盖数据预处理、模型构建、训练到预测评估全流程。面向有一定Python基础、希望掌握循环神经网络处理时序数据的中高级开发者适用于股票价格、空气质量、销售等典型预测场景。包内共126个文件以75个Python脚本、26个CSV数据文件、15个文本说明文件为主体另含模型权重、检查点及元数据等训练产出整体大小5.42兆字节目录层次清晰便于按模块研读。已有五千余人学习下载。资源从理论落地到实战既包含数据归一化、序列构造等预处理细节也展示长短期记忆网络的门控机制训练及多种误差评估方法同时提供多组空气污染时序数据与数据字典另含模型检查点文件方便研究训练过程。源码结构完整注释明确适合作为时序预测课程设计或毕业设计的参考基线也能帮助开发者快速将深度学习模型落地到真实业务数据中。1. LSTM做时间序列预测:别急着训练,先看数据配不配做时间序列预测的人,十有八九是从ARIMA上过车,然后在非线性数据上翻车的。LSTM能记住长距离依赖,对销量、流量、水位这类带趋势和波动的数据,效果比传统统计模型稳不少。这类基于LSTM的时间序列分析预测的Python方案,核心就三件事:把序列切成窗口、把LSTM网络训练出来、把预测结果反归一化回去。你不用一次吃透全部理论,按数据准备、模型搭建、训练调参、评估落地的顺序走一遍,就具备了给业务数据做预测的基本盘。适合手里有CSV、想过一遍深度学习时序预测的Python工程师,也适合刚入门想找一份能跑的完整代码做底子的人。2. 从CSV到窗口数据集:把时间序列切成LSTM能吃的形状2.1 数据检查先于模型:缺失值、时间戳与横坐标密集问题LSTM的输入规格是固定的三维张量,形状是(batch, seq_len, feature),所以在碰模型之前,所有功夫都花在把原始序列转成这个形状上。常见做法是用pandas把CSV读进来,几行代码就能看出数据有没有硬伤,远比直接跑训练脚本划算。import pandas as pd import numpy as np import matplotlib.pyplot as plt df pd.read_csv(sales.csv, parse_dates[date], index_coldate) print(缺失值数量:, df.isnull().sum().sum()) print(df.describe()) df.plot() plt.xticks(rotation45) plt.show()parse_dates参数负责把date列从字符串解析成datetime类型,index_col让时间列变成DataFrame的索引,这样后续按时间切分、画图、重采样都自带时间语义。缺失值用isnull().sum()看一眼总量,describe看均值、极值和分位数,能提前发现量纲异常和离群点。时间序列和普通表格最大的差异是行与行有先后关系,所以画图永远比跑模型先。日期一多横坐标就会挤成一团,这是用pandas画时间序列最常见的观感问题,把刻度旋转45度就能缓解。缺失值少就直接前向填充;缺失段太长,把缺口前后拆成两段分别建模,比硬插值靠谱。另外注意序列长度,只有一两百条记录的数据集硬上LSTM,通常干不过指数平滑和线性回归,这个预期要提前建立。2.2 滑动窗口构造与训练/验证切分:time_step怎么定LSTM不管序列多长,每次只看一个固定长度的窗口。用前time_step个点预测下一个点,窗口沿着时间轴滚动,就构造出了监督学习的样本对。窗口越大,模型能看到的上下文越长,但样本数越少,所以这是一个需要权衡的参数。from sklearn.preprocessing import MinMaxScaler values df[sales].values.reshape(-1, 1) train_size int(len(values) * 0.8) train_values values[:train_size] test_values values[train_size:] scaler MinMaxScaler(feature_range(0, 1)) train_scaled scaler.fit_transform(train_values) test_scaled scaler.transform(test_values) def create_sequences(data, time_step10): X, y [], [] for i in range(len(data) - time_step): X.append(data[i:itime_step, 0]) y.append(data[itime_step, 0]) return np.array(X), np.array(y) X_train, y_train create_sequences(train_scaled, time_step10) X_test, y_test create_sequences(test_scaled, time_step10) X_train X_train.reshape(-1, 10, 1) X_test X_test.reshape(-1, 10, 1) print(X_train.shape, X_test.shape)这段代码有三个地方值得细看。第一,values必须reshape成(-1, 1),MinMaxScaler要求二维输入,单变量序列就是单列。第二,先按时间切出前80%,再在训练集上fit_transform,测试集只用transform,这是和网上很多混乱教程最大的差别。第三,create_sequences返回的X是二维的(samples, time_step),喂给LSTM前统一reshape成(samples, time_step, 1),第三维是特征数量。time_step取多少没有标准答案,我一般先看业务周期:按天记录的数据常取7或14,带周规律的取7,带月规律的取30。经验上限是序列长度的三分之一,超过这个值样本量会骤减,训练容易欠拟合。如果是多变量输入,比如同时有销量和价格两列,归一化时保持两列并列,拼接出来的X就是(samples, time_step, 2),input_dim对应变成2。参数建议值说明time_step7 / 14 / 30按业务周期取,别超过序列长度三分之一切分比例8:2 或 9:1时间序必须按顺序切,不能随机切归一化MinMax (0,1)先切分再fit,测试集只用transform3. 搭网络与写训练循环:PyTorch版LSTM的最小可运行方案3.1 认识LSTM的输入输出:batch_first与最后一个时间步LSTM内部有输入门、遗忘门、输出门三个门控,它们决定哪些信息该记住、哪些该丢弃。这个机制让梯度在长序列上能传得更远,缓解了普通RNN的梯度消失问题。作为使用者,更重要的是记住它的输入输出形状:输入是(batch, seq_len, input_dim),输出是(batch, seq_len, hidden_dim)。PyTorch的nn.LSTM有个batch_first参数,设成True之后,输入张量直接是(batch, seq_len, input_dim),不用手动转置。LSTM返回两个东西:output和hidden state,output里包含每个时间步的输出,而我们做单步预测只需要最后一个时间步的结果,所以常见做法是取out[:, -1, :],再过一个全连接层映射成预测值。import torch import torch.nn as nn class LSTMPredictor(nn.Module): def __init__(self, input_dim1, hidden_dim64, num_layers2, output_dim1, dropout0.2): super().__init__() self.lstm nn.LSTM( input_dim, hidden_dim, num_layers, batch_firstTrue, dropoutdropout if num_layers 1 else 0 ) self.fc nn.Linear(hidden_dim, output_dim) def forward(self, x): out, _ self.lstm(x) out self.fc(out[:, -1, :]) return outhidden_dim决定LSTM记忆容量,常见范围是32到128,不是越大越好,容量过大在小数据集上很容易过拟合。num_layers多数场景1到2层就够,超过2层训练明显变慢,收益有限。dropout参数只在层数大于1时生效,放在层与层之间防止过拟合。output_dim是1,因为单步预测只输出一个数值。3.2 训练循环与关键参数:lr、梯度裁剪和早停的配合模型定义好之后,训练循环反而比普通分类网络更需要小心。LSTM对学习率敏感,对梯度爆炸也敏感,所以梯度裁剪几乎是标配。model LSTMPredictor(input_dim1, hidden_dim64, num_layers2) X_train_t torch.FloatTensor(X_train) y_train_t torch.FloatTensor(y_train).view(-1, 1) criterion nn.MSELoss() optimizer torch.optim.Adam(model.parameters(), lr0.001) for epoch in range(100): model.train() optimizer.zero_grad() pred model(X_train_t) loss criterion(pred, y_train_t) loss.backward() nn.utils.clip_grad_norm_(model.parameters(), max_norm1.0) optimizer.step() if epoch % 10 0: print(fepoch {epoch}, loss {loss.item():.6f})这里直接用全量张量训练,适合几千条以内的小数据集。数据量大时用TensorDataset和DataLoader按batch喂,但要记得shuffle必须设成False,时间序列一旦逐样本打乱,序列的先后依赖就被切断了。clip_grad_norm_把梯度的范数裁剪到1.0以内,防止梯度爆炸把loss打成NaN,这是LSTM训练里最常见的翻车原因之一。学习率从0.001起步,如果loss震荡不降,降到0.0003或0.0001再试。我习惯在训练循环里保留每个epoch的loss,画一条loss曲线,曲线如果一路平滑下降,基本就没大问题。参数建议值踩坑提醒lr0.001 起震荡就降到 0.0003max_norm1.0不裁剪容易 NaNbatch_size32 / 64时间序列禁止 shufflenum_layers1 ~ 2再多收益有限4. 模型评估与多步预测:反归一化后才知道模型行不行4.1 先别信loss,把预测值画回原尺度看趋势训练loss降到很低只代表模型记住了训练集的数值,不代表它能预测未来。时间序列预测里的loss小数点后面几位很唬人,因为归一化把量纲压到0~1之间。真正的考验是把预测值反归一化回原始量纲,再画图看趋势对不对。model.eval() with torch.no_grad(): pred_scaled model(torch.FloatTensor(X_test)).numpy() pred scaler.inverse_transform(pred_scaled.reshape(-1, 1)) y_true scaler.inverse_transform(y_test.reshape(-1, 1)) rmse np.sqrt(np.mean((pred - y_true) ** 2)) mae np.mean(np.abs(pred - y_true)) print(fRMSE: {rmse:.4f}, MAE: {mae:.4f})反归一化必须使用训练时fit好的那个scaler,这点和第2章切数据时强调的一样。很多人在这一步翻车:用全量数据的scaler去反归一化测试集,或者直接用模型输出的0~1数值去对比原始数据的量纲,图看起来对不上,还以为是模型问题。实际上只要归一化和反归一化用的是同一个scaler,尺度就一定能还原。RMSE的单位和原始序列一致,对大的误差更敏感,适合用来横向对比不同模型;MAE更稳健,不受个别极端点影响。两个指标差得远时,说明误差里存在离群点,需要回头检查原始数据里有没有异常值。4.2 多步预测:递归滚动和直接多输出的取舍单步预测只能预测下一个点,业务上要预测未来一周或一个月,就得做多步预测。常见的做法是递归滚动:把预测出来的值当作已知值拼回窗口,再预测下下个点,如此接力。def recursive_forecast(model, history, steps, time_step10): model.eval() preds [] window list(history[-time_step:]) with torch.no_grad(): for _ in range(steps): x torch.FloatTensor(window[-time_step:]).view(1, time_step, 1) p model(x).item() preds.append(p) window.append(p) return np.array(preds)history是测试集的缩放后序列,每次预测完把结果追加到window末尾,下一步用窗口里最近time_step个值继续预测。这种实现方式误差会随着步数增加而累积,预测三步以内还好,预测三十步基本就是自己喂自己,误差会被逐步放大。另一种做法是直接多输出:把全连接层输出维度从1改成目标步数,让模型一次输出未来h个点。这样误差不累积,但模型要学一个更复杂的映射,需要更多数据。我的习惯是短期预测用递归滚动,中长期预测改直接多输出或seq2seq结构。还有一种折中:每预测一步就用真实值修正一次,但那样评估的是模型在知道历史真实值条件下的表现,上线后反而不真实。5. 实战避坑:LSTM时间序列预测的5条踩坑记录这类源码包跑通不难,难的是指标好看但一上线就露馅。下面五条都是我看过或亲手踩过的坑,按现象、原因、解决的顺序写,每一条都对应一次真实的返工。5.1 归一化泄漏:验证集指标好到失真现象:验证集RMSE低得离谱,预测曲线和真实曲线几乎重合,但模型一上线预测值就偏离得厉害。原因:MinMaxScaler对整个数据集做了fit_transform,再切训练集和测试集。测试集的min和max提前参与了归一化,相当于把答案的一部分告诉了模型,验证集指标自然漂亮。解决:先按时间顺序切分,再在训练集上fit,测试集只做transform。还要注意差分、平滑等预处理步骤的统计量也必须在训练集上计算,否则同样属于泄漏。5.2 随机种子不固定:同一份数据跑出两套结果现象:同一个训练脚本,第一次loss收敛到正常水平,第二次跑同样的epoch,loss曲线完全不同,预测图对不上。原因:LSTM的权重随机初始化,没有固定随机种子,每次训练起点都不一样。小数据集上这个差异会被放大。解决:在脚本最前面固定随机种子。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这四行写给谁看都不亏,不固定种子的话,你连改了参数到底有没有效果都判断不了,调参全成玄学。5.3 训练集被随机打乱:时间顺序是序列的命根子现象:loss正常下降,验证集指标也还凑合,但画出来的预测曲线相位是乱的,峰值对不上。原因:DataLoader设置了shuffleTrue,或者手工做了np.random.shuffle,把样本的时间顺序打乱了。LSTM学到的时间依赖被切断,模型退化成在乱序样本上硬拟合。解决:DataLoader的shuffle保持False。如果样本量很大想做分批随机,至少按块打乱,别逐样本打乱。判断标准很简单:任何会改变样本在时间轴相对位置的操作,都不该出现在时间序列的训练流程里。5.4 反归一化错位:预测曲线比真实值滞后一拍现象:预测曲线和真实曲线形状几乎一样,但整体右移了一个点,看起来模型在抄上一时刻的值。原因:time_step设成1时,模型的最优策略就是直接输出最近一个点的值,滞后必然出现。另一种情况是序列接近随机游走,历史窗口对预测没有增量信息。解决:先调大time_step,观察滞后是否缓解;如果滞后依旧,对序列做一阶差分再训练,预测完再加回差分值。如果差分后方向命中率仍然接近50%,说明当前特征对预测没有贡献,该换特征而不是继续调参。5.5 loss变NaN:学习率过冲和梯度爆炸现象:训练到某个epoch,loss突然从正常值变成NaN,之后所有的loss都是NaN,模型彻底废掉。原因:学习率太大导致参数更新过冲,或者序列里有极端值把梯度推向无穷,LSTM在这种场景下比全连接网络更容易爆炸。解决:把学习率降到0.0001重新跑;给训练循环加上clip_grad_norm_;检查输入数据有没有inf或NaN;对强偏态序列先做log1p变换,训练完再用expm1还原。还有一个容易忽略的点:确保所有特征都做了归一化,原始尺度相差几个数量级的特征会让梯度方向不稳定。6. 让预测结果可解释:方向命中率与业务验证习惯6.1 方向命中率怎么算,以及三个指标怎么配合看RMSE和MAE只能告诉你误差有多大,不能告诉你模型的方向判断准不准。库存补货、量化交易这类场景,方向比幅度更重要:你预测明天销量涨2%还是跌2%,方向错了,幅度再准也没用。所以我从那次方向连续判断反的血泪经验之后,一直习惯在评估里加一个方向命中率指标。def direction_accuracy(y_true, y_pred): diff_true np.diff(y_true, axis0) diff_pred np.diff(y_pred, axis0) correct np.mean(np.sign(diff_pred) np.sign(diff_true)) return correct这个函数把真实序列和预测序列分别做一阶差分,然后比较每个时间步的涨跌方向是否一致。50%说明模型在猜,60%以上才有实用价值。配合RMSE一起看:RMSE低但方向命中率只有50%,说明模型学到了平均幅度,没学到走势;反过来方向命中率高但RMSE偏大,说明趋势判断对但波动幅度偏保守。我一般把R²、RMSE、方向命中率三个指标放进评估脚本,每次调参后一起打印,而不是只看一个数字。方向命中率还能帮你发现滞后问题:滞后一拍的预测,方向命中率通常也不高,因为它本质上是在预测昨天。如果方向命中率不高,先回去检查time_step和预处理,别急着换网络结构。这套流程对销量预测、流量预测、量化策略的特征生成都适用,换业务领域时建议先跑通最小可复现的套路:读数据、切窗、训练、反归一化、算方向命中率。对几千条起步的序列,花一周能出可用原型;数据只有一两百条就别硬上LSTM,先试指数平滑,精力会花得更值。我自己吃过最大的亏,就是只盯RMSE,结果模型在库存补货上连续两周方向判断反,货备错了方向才知道指标看漏了。后来把方向命中率加进验证日报,这类问题一眼就能看见。指标是给业务决策用的,不是给自己看的,模型能上线,靠的不是loss好看,而是方向别老反。希望帮到你。本文还有配套的精品资源点击获取