简介这份资源面向具备一定Python与深度学习基础、希望上手时间序列预测的开发者与数据科学学习者围绕LSTM这一擅长捕捉长期依赖的循环神经网络提供一套可运行的代码预测实践方案。压缩包共4个文件以2个py脚本和2个csv数据表为主整体约100KB脚本分别承担PyTorch建模训练与数据预处理分析数据表则提供带标签的历史特征与价格序列便于直接复现训练与验证流程。已有61人学习下载。读者可借此完整走通从数据清洗、特征工程、训练集与测试集划分到LSTM层结构设计、损失函数与优化器选择、模型训练及预测结果反归一化的全流程理解时间序列建模中数据维度与尺度一致性的处理要点并掌握用PyTorch动态计算图与GPU加速提升训练效率的实用思路适合作为课程设计、项目练手或预测类赛题的参考模板。1. 从一份“预测代码 lstm 完整数据”说起为什么你跑通的 Demo 一换数据就废很多人第一次搜“预测代码 lstm 完整数据”心里想的其实是一件事给我一份能直接跑、数据也齐全的 LSTM 时间序列预测代码我改改路径就能用。但真到落地你会发现网上那些几十行的 demo在公开数据集上曲线漂亮得像艺术品一换成自己的业务数据预测结果立刻变成一条直线或者滞后得离谱。问题几乎从来不在 LSTM 本身而在“完整数据”这四个字——完整不是指文件全而是指时间戳连续、缺失值有交代、训练集和测试集切得干净、归一化参数只从训练集来。这篇笔记就按一线做法把 LSTM 时间序列预测从数据准备、窗口构造、模型搭建、训练调参到避坑完整走一遍代码可以直接抄参数我会说清为什么这么设。适合已经会点 Python、被 demo 坑过、想真正把 LSTM 预测跑进业务的人。2. 完整数据到底长什么样时间序列的四个硬性检查2.1 先别急着建模把时间轴对齐LSTM 吃的是序列序列的第一要求是时间等间隔。现实数据里最常见的翻车是采集系统偶尔丢点、周末没数据、或者两条记录时间戳重复。你直接read_csv然后reshape喂进去模型学到的“步长”其实是乱的预测自然玄学。我一般会先做四件事解析时间列、按时间排序、检查重复时间戳、重采样到固定频率。下面这段是通用起手式。import pandas as pd import numpy as np # 读取原始数据假设两列timestamp, value df pd.read_csv(raw.csv, parse_dates[timestamp]) df df.sort_values(timestamp).drop_duplicates(timestamp) # 统一到固定频率比如 1 小时缺失处先标记为 NaN df df.set_index(timestamp).asfreq(1h) # 看看缺口有多大 print(总长度:, len(df)) print(缺失比例:, df[value].isna().mean()) print(最大连续缺口:, df[value].isna().astype(int).groupby( df[value].notna().cumsum()).sum().max())逻辑说明asfreq会把时间轴补齐成严格等间隔缺的地方填 NaN这样你才能量化缺口。参数上频率要和业务匹配——分钟级数据用1min日数据用1D。如果最大连续缺口超过序列总长的 5%别硬插值考虑截断或换建模粒度。2.2 缺失值插值不是万能后悔药缺失处理有三种常见做法前向填充、线性插值、直接删。我的经验是短缺口连续 13 个点用线性插值长缺口用前向填充会引入虚假的“平台”让 LSTM 学到错误的平稳性。更稳的做法是加一个缺失掩码特征让模型自己判断这段不可信。# 短缺口线性插值长缺口保留 NaN 并加掩码 df[is_missing] df[value].isna().astype(int) df[value] df[value].interpolate(methodlinear, limit3) # 剩余的长缺口用前向填充兜底但掩码已记录 df[value] df[value].ffill().bfill()参数说明limit3表示最多连续插 3 个点超过就交给后面的填充。掩码列is_missing后面要作为额外输入特征拼进去这是很多人忽略的一步但对真实数据提升明显。2.3 训练/验证/测试切分时间序列不能随机切这是血泪经验里最贵的一条。时间序列一旦train_test_split(shuffleTrue)你就把未来信息泄漏给了训练集测试指标好看得离谱上线就崩。正确做法是按时间顺序切并且验证集用来早停测试集只在最后碰一次。n len(df) train_end int(n * 0.7) val_end int(n * 0.85) train df.iloc[:train_end] val df.iloc[train_end:val_end] test df.iloc[val_end:]比例上数据量小就用 70/15/15数据量大可以 80/10/10。关键是验证集要够长至少覆盖一个完整业务周期比如一周否则早停会误判。2.4 归一化参数只能来自训练集LSTM 对量纲敏感归一化必须做但均值和方差只能从训练集算然后应用到验证和测试。用全量数据算 scaler 是另一种泄漏。from sklearn.preprocessing import MinMaxScaler scaler MinMaxScaler() scaler.fit(train[[value]]) # 只 fit 训练集 for part in [train, val, test]: part[value_scaled] scaler.transform(part[[value]])到这里“完整数据”才算真正完整时间对齐、缺失有交代、切分无泄漏、归一化干净。后面所有建模都建立在这四步之上。3. 把序列切成 LSTM 能吃的窗口滑动窗口与标签构造3.1 滑动窗口的本质用过去 N 步预测未来 M 步LSTM 的输入是三维张量(样本数, 时间步, 特征数)。原始数据是一维时间轴必须用滑动窗口切成样本。假设用过去 24 步预测未来 1 步窗口就是 24预测跨度是 1。def make_windows(values, mask, window24, horizon1): X, y, m [], [], [] for i in range(len(values) - window - horizon 1): X.append(values[i:iwindow]) m.append(mask[i:iwindow]) y.append(values[iwindowhorizon-1]) X np.array(X)[..., np.newaxis] # (样本, 窗口, 1) m np.array(m)[..., np.newaxis] X np.concatenate([X, m], axis-1) # 拼上掩码特征 return X, np.array(y)逻辑说明循环里iwindowhorizon-1是标签位置保证标签在窗口之后不泄漏。np.newaxis把一维特征升成三维符合 LSTM 输入要求。掩码和数值拼在一起特征数从 1 变成 2。参数说明window决定模型能看多远太小抓不到周期太大训练慢且容易过拟合。经验是先看数据的自相关取自相关显著滞后的 23 倍。horizon是预测跨度预测越远越难建议从 1 开始。3.2 窗口大小怎么定别拍脑袋看自相关很多人 window 直接设 60、100纯靠感觉。更靠谱的做法是画 ACF 图找周期性。比如小时数据有明显 24 小时周期window 至少覆盖 24通常取 48 或 72 让模型看到两个以上周期。from statsmodels.tsa.stattools import acf acf_vals acf(train[value_scaled], nlags72) # 找第一个由正转负或明显回落的滞后 for lag in range(1, 73): if acf_vals[lag] 0.2: print(建议 window 起点:, lag) break如果不想引入 statsmodels也可以直接看业务周期。关键是 window 要能覆盖至少一个完整周期否则模型学不到季节性。3.3 标签要不要归一化要而且用同一个 scaler标签也是value所以它已经被同一个 scaler 缩放到 01。预测出来后再用scaler.inverse_transform还原。这一步别搞反否则评估指标全是错的。X_train, y_train make_windows(train[value_scaled].values, train[is_missing].values) X_val, y_val make_windows(val[value_scaled].values, val[is_missing].values) X_test, y_test make_windows(test[value_scaled].values, test[is_missing].values)注意验证集和测试集的窗口构造要独立做不能和训练集拼在一起再切否则窗口会跨边界泄漏未来。4. 搭一个能收敛的 LSTM层数、隐藏单元与正则4.1 模型结构两层 LSTM 加 Dropout 是稳妥起点PyTorch 里搭 LSTM 很直接。我的默认配置是两层 LSTM隐藏单元 64中间加 Dropout 0.2最后接全连接输出 1 维。这个配置在多数中小规模时间序列上都能收敛不容易过拟合。import torch import torch.nn as nn class LSTMForecaster(nn.Module): def __init__(self, input_size2, hidden64, layers2, dropout0.2): super().__init__() self.lstm nn.LSTM(input_size, hidden, layers, batch_firstTrue, dropoutdropout) self.fc nn.Linear(hidden, 1) def forward(self, x): out, _ self.lstm(x) # out: (B, T, H) out out[:, -1, :] # 取最后时间步 return self.fc(out).squeeze(-1)逻辑说明batch_firstTrue让输入维度是(batch, seq, feature)符合习惯。取out[:, -1, :]是因为我们要用整个窗口的信息预测下一步最后时间步的隐藏状态已经聚合了前面所有信息。squeeze(-1)把输出从(B,1)压成(B,)和标签对齐。参数说明hidden从 32 到 128 试数据量大可以加。layers超过 2 层收益递减还容易过拟合除非数据上万条。dropout只在层间生效单层 LSTM 时无效。4.2 训练循环早停和梯度裁剪是保命符LSTM 训练容易梯度爆炸尤其是序列长的时候。梯度裁剪和早停基本是标配。device cuda if torch.cuda.is_available() else cpu model LSTMForecaster().to(device) opt torch.optim.Adam(model.parameters(), lr1e-3) loss_fn nn.MSELoss() def to_tensor(a): return torch.tensor(a, dtypetorch.float32).to(device) Xtr, ytr to_tensor(X_train), to_tensor(y_train) Xva, yva to_tensor(X_val), to_tensor(y_val) best_val, patience, wait float(inf), 8, 0 for epoch in range(100): model.train() pred model(Xtr) loss loss_fn(pred, ytr) opt.zero_grad() loss.backward() nn.utils.clip_grad_norm_(model.parameters(), max_norm1.0) opt.step() model.eval() with torch.no_grad(): val_loss loss_fn(model(Xva), yva).item() if val_loss best_val: best_val, wait val_loss, 0 torch.save(model.state_dict(), best.pt) else: wait 1 if wait patience: print(早停于 epoch, epoch) break逻辑说明clip_grad_norm_把梯度范数限制在 1.0防止爆炸。早停 patience 设 8意思是验证损失连续 8 轮不降就停避免过拟合。保存最佳权重最后加载best.pt做测试。参数说明学习率 1e-3 是 Adam 的常用起点不收敛就降到 1e-4。batch 大小这里用了全量数据大要改DataLoader分批。max_norm一般 0.51.0太小会欠拟合。4.3 评估别只看 MSE要看还原后的业务指标MSE 在归一化空间里没有业务含义。预测完要反归一化再算 MAE、MAPE 或者业务自定义指标。model.load_state_dict(torch.load(best.pt)) model.eval() with torch.no_grad(): pred_scaled model(to_tensor(X_test)).cpu().numpy() pred scaler.inverse_transform(pred_scaled.reshape(-1, 1)).ravel() true scaler.inverse_transform(y_test.reshape(-1, 1)).ravel() mae np.mean(np.abs(pred - true)) mape np.mean(np.abs((pred - true) / (true 1e-8))) * 100 print(fMAE{mae:.3f}, MAPE{mape:.2f}%)注意分母加1e-8防止除零。MAPE 在真实值接近 0 时会爆炸这种场景改用 MAE 或 SMAPE。5. 避坑与排查LSTM 预测最常见的五个翻车现场5.1 预测出来是一条直线现象模型输出几乎不随时间变化像均值预测。原因通常是归一化后标签方差太小或者学习率太低、训练不够。解决检查y_train.std()如果小于 0.01说明数据本身太平考虑做差分否则提高学习率或增加 epoch并确认早停没在早期误触发。5.2 验证损失下降但测试一塌糊涂现象验证集指标很好测试集崩。原因八成是数据泄漏——归一化用了全量、切分时 shuffle 了、或者窗口跨了训练测试边界。解决严格按第 2 章的四步重做归一化只 fit 训练集切分按时间顺序窗口独立构造。5.3 训练损失震荡不收敛现象loss 上下跳降不下去。原因可能是学习率太大、batch 太小、或者序列里有异常值。解决先把学习率降到 1e-4加梯度裁剪检查数据里有没有极端离群点必要时做 winsorize 截断。5.4 预测总是滞后一步现象预测曲线形状对但整体比真实晚一个时间步。这是 LSTM 做单步预测的常见现象因为模型倾向于复制上一个值。解决改用多步预测horizon1并直接输出多步或者把标签改成差分值让模型学变化量而不是绝对值。5.5 换一批数据就要重调所有参数现象window、hidden、学习率全要重来。原因是没有把数据特性参数化。解决把 window 和自相关周期绑定hidden 和数据量绑定样本数/100 取整再夹到 32128学习率用 lr_find 之类的方法先探一下。这样换数据只需重跑检查不用凭感觉调。6. 让预测真正可用的两个进阶技巧多步输出与残差建模单步预测在业务里往往不够用你要的是未来 6 小时、未来 7 天。最直接的多步做法是把输出维度改成 horizon一次预测多个点。class MultiStepLSTM(nn.Module): def __init__(self, input_size2, hidden64, layers2, horizon6): super().__init__() self.lstm nn.LSTM(input_size, hidden, layers, batch_firstTrue, dropout0.2) self.fc nn.Linear(hidden, horizon) def forward(self, x): out, _ self.lstm(x) return self.fc(out[:, -1, :]) # (B, horizon)标签构造也要相应改成未来 horizon 个点。这样一次前向就出多步比递归预测误差累积慢。参数上 horizon 别一次设太大先 36稳定后再加。另一个技巧是残差建模先用一个简单模型比如昨天同时刻的值做基线再让 LSTM 学残差。这样即使 LSTM 学不好最差也不低于基线业务上更安全。# 基线用 t-24 的值作为预测 baseline df[value].shift(24).values residual df[value].values - baseline # 然后对 residual 做上面的窗口和建模流程我自己的习惯是任何 LSTM 预测上线前先跑一个“昨天同时刻”基线如果 LSTM 连基线都打不过说明数据里没有可学的模式别硬上。这个习惯帮我省过好几次无效投入。希望帮到你。本文还有配套的精品资源点击获取