简介一份基于ARIMA-BP组合模型的时间序列预测详细项目实例面向具备Python基础、熟悉时间序列分析与机器学习方法的研发人员与数据分析师。项目通过ARIMA捕获线性趋势与自相关结构利用BP神经网络学习残差中的非线性波动再经加权融合输出预测结果覆盖数据生成、平稳性检验、模型训练、残差修正、递归预测与多指标评估的完整闭环可迁移至智能制造、能源负荷、零售销量等场景。压缩包内仅包含1个docx文档大小约151KB文档整合了项目背景、模型架构、Python核心代码示例、数据生成实现及GUI界面设计说明便于按目录系统研读。已有110人学习。阅读时可结合文档中的代码逐段运行理解ARIMA阶数选择、残差样本构造与BP网络训练逻辑并尝试替换真实业务数据验证模型泛化能力获得一套可复用的组合预测工程思路。1. 当单一模型捉襟见肘ARIMA-BP组合预测值不值得做做时间序列预测的Python从业者大概率都经历过这一步单一ARIMA在数据平稳、周期明显的场景下表现不错可一旦数据里混进促销活动、突发流量这类非线性扰动残差里就藏着明显的自相关而BP神经网络能逼近任意非线性函数却常常把长期趋势当成噪声滤掉。ARIMA-BP组合模型的思路很简单ARIMA先吃掉趋势和季节性把预测残差留给BP去拟合非线性部分两者互补。对想做Python量化回测、销量预测又不想一开始就上LSTM这类深度模型的从业者来说这是一个成本低、易解释、代码量可控的折中方案。接下来按一个能直接落地的项目实例把定阶、残差建模、GUI和坑一次讲透。2. 先把ARIMA这半边做扎实定阶、拟合与残差提取2.1 为什么组合方案里先跑ARIMA而不是直接上BP组合的思路是给两个模型分工ARIMA的强项是抓线性趋势和周期性BP的强项是拟合局部非线性映射。如果把原始序列直接丢给BP它就既要学长期趋势、季节周期又要学局部波动在训练数据往往只有几十到几百个点的场景下很容易过拟合而先让ARIMA把“可解释的线性成分”拿掉剩下的残差里只保留局部非线性依赖BP用很浅的网络就能学到。这个做法在电商销量预测、设备预测性维护这类项目里很常见本质上就是把一个高复杂度的映射拆成两步低复杂度映射。不过这里有个前置判断值得多说两句拿到fit.resid之后先看它的ACF图。如果残差在滞后1到5阶没有显著相关性说明ARIMA已经把能用的线性信息榨干了这时候强行加BP它只能在白噪声里找模式结果往往是预测值全部坍缩到0附近加了等于没加反过来如果残差ACF前面几阶明显超出置信带说明序列里存在ARIMA没接住的自相关成分这才是BP该上场的时候。这个判断做完再决定要不要继续能省下后面一大半调参的折腾时间。另外ARIMA还提供了一个副产品——训练集残差序列本身。这个序列是会进入BP训练的原料它的质量和长度直接决定了BP能学到多少东西。有些项目里训练数据只有六十来个月fit.resid去掉前几个不稳定的点后只剩五十多个样本再用窗口切一遍真正能喂给BP的样本就更少了。这种情况下即使残差里有规律数据量也不足够让BP稳定学出来需要靠下面要讲的窗口和网络结构来补。2.2 用ADF检验、ACF/PACF图给ARIMA定阶的实操套路ARIMA三个参数里d是差分阶数作用是让序列满足平稳性假设p是自回归阶数来自PACF偏自相关函数的显著滞后数q是滑动平均阶数来自ACF自相关函数的显著滞后数。我的一般流程是四步走第一步对训练序列做ADF检验p值大于0.05就做一阶差分再检验第二步画差分序列的ACF和PACF图粗看p、q可能落在哪个范围第三步在这个范围内用AIC准则搜索最优组合第四步拟合后看残差的白噪声检验结果。这里有一个新手常犯的错把ACF/PACF图上的“截尾”理解成“在某个滞后之后全部归零”。实际上截尾指的是数值大幅掉进置信带内偶尔有个别滞后跳出置信带是正常现象不要因为滞后3突兀地冒出一个峰就把q硬设成3。我自己的经验是图只用来圈定p和q的搜索范围比如0到3具体用哪个组合交给AIC去裁定这样比纯靠眼睛判断稳定得多。还有一点要单独提醒如果数据是月度或季度数据ACF在滞后12或4附近出现显著峰说明存在季节性成分。这种情况下只做一阶差分往往压不干净ACF在滞后12处还是会有个峰冒出来干扰肉眼判断。常见做法是先做季节差分看是否平稳再决定d或者干脆改用SARIMA别硬套一阶差分这个细节在5.4节还会展开讲。2.3 ARIMA建模代码从数据加载到残差提取动手前先把环境装齐一条命令搞定pip install pandas numpy seaborn statsmodels scikit-learn matplotlib。statsmodels里ARIMA的API在不同版本间差异很大这里用的是新版statsmodels.tsa.arima.model.ARIMA老版的arima_model已经弃用网上很多旧教程里的写法直接跑会报错。import pandas as pd import numpy as np import seaborn as sns from statsmodels.tsa.stattools import adfuller from statsmodels.graphics.tsaplots import plot_acf, plot_pacf from statsmodels.tsa.arima.model import ARIMA # 经典国际航班乘客数据共144个月1949-1960 flights sns.load_dataset(flights) series pd.Series( flights[passengers].values, indexpd.date_range(1949-01, periodslen(flights), freqMS) ) # 前10年训练后2年测试 train series.iloc[:120] test series.iloc[120:] # 原始序列平稳性检验 adf adfuller(train.dropna()) print(原始序列 ADF p-value , adf[1]) # 一阶差分后再次检验 train_diff train.diff().dropna() adf_diff adfuller(train_diff) print(一阶差分后 ADF p-value , adf_diff[1]) # ACF / PACF 定阶辅助图 import matplotlib.pyplot as plt fig, axes plt.subplots(2, 1, figsize(10, 6)) plot_acf(train_diff, lags20, axaxes[0]) plot_pacf(train_diff, lags20, axaxes[1]) plt.show()代码逻辑adfuller返回的第二个元素是p值p值小于0.05说明序列平稳。航班乘客数据一阶差分后通常能通过检验但如果你手里的业务数据有明显的季节周期这里会看到差分后ACF在滞后12处仍然冒峰那就得考虑季节差分而不是继续叠加一阶差分。画图是为了给接下来的AIC搜索圈定p、q范围省得在0到10之间瞎跑浪费时间。# 用AIC在粗定范围内搜索最优(p,q)d固定为1 best_aic float(inf) best_order None for p in range(0, 4): for q in range(0, 4): try: fit_tmp ARIMA(train, order(p, 1, q)).fit() if fit_tmp.aic best_aic: best_aic fit_tmp.aic best_order (p, 1, q) except Exception: # 某些(p,q)组合在数值上会不收敛跳过即可 continue print(最优阶数:, best_order, AIC:, best_aic) # 用最优阶数拟合最终模型 model ARIMA(train, orderbest_order) fit model.fit() print(fit.summary()) # 预测测试集提取残差 arima_pred fit.forecast(len(test)).values train_resid fit.resid.dropna().values # BP的训练原料 test_resid test.values - arima_pred # 测试残差离线评估用参数说明best_order里的d被固定为1理由是一阶差分后ADF已经通过把p、q限制在0到3是控计算量实际项目中如果AIC在边界处取到最优可以把范围扩到0到6再跑一遍。fit.summary()里重点看两处一是系数估计的p值二是Ljung-Box检验结果如果p值很小说明残差仍有自相关这正是后面BP要接手的地方。3. 用BP网络拟合ARIMA残差结构设计与训练细节3.1 BP到底在拟合什么残差序列的滞后依赖ARIMA拟合完成后fit.resid就是训练集每个时刻“真实值减去模型预测值”的差值。BP在这个方案里的任务不是直接预测乘客数而是预测“ARIMA下一步会差多少”。具体做法和常见的LSTM时间序列预测python代码套路类似——把残差序列按时间窗口组织成监督学习样本用前window个残差值预测下一个残差值区别只是预测对象从原始值变成了残差所以网络结构可以做得很浅训练也快得多。动手前必做的一步画训练残差的ACF图。判断标准很朴素——滞后1到5的相关系数只要有一两个明显超出置信带残差里就存在可以利用的自相关如果全部缩在置信带内说明残差已经是白噪声BP顶多学个噪声生成器。这个判断用眼睛扫一眼就够不必非要计算Ljung-Box的p值。很多项目做完ARIMA之后残差确实已经接近白噪声这时候直接放弃BP、只交付ARIMA反而更诚实。另外要认清一个事实残差序列的学习难度比原始序列低得多但有效信息量也少得多。这就是为什么网络参数需要保守——隐藏层动辄上百个节点不仅学不到更多结构还会把训练残差里仅有的那点自相关信号给“平均”掉。我在多个项目里的经验是残差建模的网络规模只有直接对原始序列建模的四分之一到三分之一。3.2 网络结构、激活函数与归一化怎么选BP网络结构很常规输入层节点数等于滑动窗口长度通常4到8就够了残差序列的滞后相关性衰减很快窗口取太大反而稀释有效信息输出层1个节点输出残差修正值隐藏层用1到2层节点数从输入层和输出层的几何平均附近起步试探。画BP神经网络结构图时大多数人会画出输入层、隐藏层、输出层的箭头连接对应到代码里就是输入层4个节点第一隐藏层16个节点第二隐藏层8个节点输出层1个节点。激活函数方面隐藏层用ReLU输出层不加激活函数——残差修正值有正有负输出层保持线性才能保留任意范围的数值。归一化是必须做的我一般把特征和目标都缩放到[-1, 1]而不是默认的[0, 1]因为残差本身在零附近正负波动[-1, 1]与它的分布形态更匹配梯度更稳收敛更快。这里有个硬性约束测试集变换时只能用训练集fit好的scaler去transform绝对不能重新fit原因就是5.1节要讲的坑。什么时候调大窗口、什么时候加深网络我的判断依据是残差ACF的衰减速度如果滞后1、2显著但滞后3以后全都不显著window3或4就行如果显著滞后拖到5、6window可以加到8但同时把隐藏层节点减半防止过拟合。反过来如果残差ACF里只有零星一两个滞后显著window保持4不变先把max_iter提高一些再看效果。3.3 BP残差建模完整代码与参数调优from sklearn.neural_network import MLPRegressor from sklearn.preprocessing import MinMaxScaler # 滑动窗口构造监督样本前window个残差 - 下一个残差 def create_window(data, window4): X, y [], [] for i in range(len(data) - window): X.append(data[i:i window]) y.append(data[i window]) return np.array(X), np.array(y) window 4 X_train_bp, y_train_bp create_window(train_resid, window) print(训练样本数:, X_train_bp.shape) # 归一化fit_transform 只作用于训练集 scaler_x MinMaxScaler(feature_range(-1, 1)) scaler_y MinMaxScaler(feature_range(-1, 1)) X_scaled scaler_x.fit_transform(X_train_bp) y_scaled scaler_y.fit_transform(y_train_bp.reshape(-1, 1)).ravel() # BP网络训练 mlp MLPRegressor( hidden_layer_sizes(16, 8), activationrelu, solveradam, max_iter800, learning_rate_init0.01, random_state42 ) mlp.fit(X_scaled, y_scaled) # 构造测试期特征用已知残差预测未来残差离线演示 all_resid np.concatenate([train_resid, test_resid]) X_test_bp, y_test_bp [], [] for i in range(len(train_resid), len(all_resid) - window): X_test_bp.append(all_resid[i - window:i]) y_test_bp.append(all_resid[i]) X_test_bp np.array(X_test_bp) y_test_bp np.array(y_test_bp) X_test_scaled scaler_x.transform(X_test_bp) resid_pred scaler_y.inverse_transform( mlp.predict(X_test_scaled).reshape(-1, 1) ).ravel() print(残差预测值前5个:, resid_pred[:5])逻辑说明create_window把残差序列切成固定长度窗口MinMaxScaler分别对特征和目标做缩放。MLPRegressor内部用的就是反向传播算法BPsolveradam是自适应学习率的优化器配合learning_rate_init0.01基本不用再动。测试期特征用的是当前时刻之前4个真实残差这是离线验证的写法真实上线时要换成滚动更新第6章专门讲。参数说明hidden_layer_sizes(16, 8)表示两个隐藏层分别16和8个节点random_state42固定随机种子。训练时如果损失不下降优先把max_iter提到1500而不是改结构如果训练loss已经很低、测试残差预测却全是0说明过拟合了这时候减半隐藏层节点、把window降到3或4重跑。4. 把两个模型拧在一起组合预测与GUI落地4.1 组合预测的核心逻辑与评估对比组合预测只有一个公式最终预测 ARIMA预测 BP残差修正。真正麻烦的是索引对齐——测试集前window个点没有足够的残差特征得不到修正值所以对比要从第window个点开始。如果不去掉前window个点两个序列长度对不上代码直接报维度错误就算你硬填0把长度补齐也会把前几个点的高误差算进指标里虚高读数会掩盖组合模型的真实收益。from sklearn.metrics import mean_squared_error # 组合预测切掉前window个无法修正的点 final_pred arima_pred[window:] resid_pred y_true test.values[window:] # 对比ARIMA单独预测 rmse_arima np.sqrt(mean_squared_error(y_true, arima_pred[window:])) rmse_final np.sqrt(mean_squared_error(y_true, final_pred)) mape_arima np.mean(np.abs((y_true - arima_pred[window:]) / y_true)) * 100 mape_final np.mean(np.abs((y_true - final_pred) / y_true)) * 100 print(fARIMA 单独预测: RMSE{rmse_arima:.2f}, MAPE{mape_arima:.2f}%) print(fARIMA-BP 组合: RMSE{rmse_final:.2f}, MAPE{mape_final:.2f}%) # 画图对比 plt.figure(figsize(12, 5)) plt.plot(y_true, label真实值) plt.plot(arima_pred[window:], labelARIMA 单独预测) plt.plot(final_pred, labelARIMA-BP 组合预测) plt.legend() plt.title(ARIMA vs ARIMA-BP 测试集对比) plt.savefig(prediction_plot.png) plt.show()逻辑说明arima_pred[window:]切掉前window个测试点之后长度与resid_pred一致。对比时用RMSE和MAPE两个指标MAPE在业务汇报时更直观但真实值里有接近0的点会让它剧烈膨胀那种情况看RMSE更靠谱。4.2 用tkinter写一个能直接用的预测工具GUI这里用tkinter就够了它是Python标准库自带的不需要额外安装。把前面所有逻辑封装进一个函数GUI只负责收参数和展示结果这样模型部分可以单独复用换Web界面时也不用动核心代码。import tkinter as tk from tkinter import ttk, messagebox def arima_bp_pipeline(train_series, test_series, p, d, q, window4): 完整流程ARIMA拟合 - BP残差修正 - 组合预测 model ARIMA(train_series, order(p, d, q)) fit model.fit() arima_pred fit.forecast(len(test_series)).values train_resid fit.resid.dropna().values test_resid test_series.values - arima_pred Xtr, ytr create_window(train_resid, window) scaler_x MinMaxScaler(feature_range(-1, 1)) scaler_y MinMaxScaler(feature_range(-1, 1)) mlp MLPRegressor( hidden_layer_sizes(16, 8), max_iter800, random_state42 ) mlp.fit(scaler_x.fit_transform(Xtr), scaler_y.fit_transform(ytr.reshape(-1, 1)).ravel()) all_resid np.concatenate([train_resid, test_resid]) Xte np.array([ all_resid[i - window:i] for i in range(len(train_resid), len(all_resid) - window) ]) resid_pred scaler_y.inverse_transform( mlp.predict(scaler_x.transform(Xte)).reshape(-1, 1) ).ravel() final_pred arima_pred[window:] resid_pred return final_pred, arima_pred[window:], test_series.values[window:]class ARIMABPApp: def __init__(self, master): self.master master master.title(ARIMA-BP 时间序列预测工具) master.geometry(560x460) frame ttk.LabelFrame(master, text模型参数) frame.pack(fillx, padx10, pady8) ttk.Label(frame, textp 自回归阶数).grid(row0, column0, stickyw) self.p_var tk.IntVar(value2) ttk.Spinbox(frame, from_0, to5, textvariableself.p_var, width6).grid(row0, column1, padx5) ttk.Label(frame, textd 差分阶数).grid(row0, column2, stickyw) self.d_var tk.IntVar(value1) ttk.Spinbox(frame, from_0, to2, textvariableself.d_var, width6).grid(row0, column3, padx5) ttk.Label(frame, textq 滑动平均阶数).grid(row0, column4, stickyw) self.q_var tk.IntVar(value3) ttk.Spinbox(frame, from_0, to5, textvariableself.q_var, width6).grid(row0, column5, padx5) ttk.Button(master, text开始训练与预测, commandself.run).pack(pady10) self.result_text tk.Text(master, height12, width64) self.result_text.pack(padx10, pady8) def run(self): try: p, d, q self.p_var.get(), self.d_var.get(), self.q_var.get() final_pred, arima_only, y_true arima_bp_pipeline( train, test, p, d, q ) rmse_final np.sqrt(mean_squared_error(y_true, final_pred)) rmse_arima np.sqrt(mean_squared_error(y_true, arima_only)) self.result_text.delete(1.0, tk.END) self.result_text.insert(tk.END, fARIMA 单独预测 RMSE: {rmse_arima:.2f}\n) self.result_text.insert(tk.END, fARIMA-BP 组合预测 RMSE: {rmse_final:.2f}\n) self.result_text.insert(tk.END, f组合预测后 5 个值: {[round(v, 1) for v in final_pred[-5:]]}\n) self.result_text.insert(tk.END, 预测对比图已保存到 prediction_plot.png) except Exception as e: messagebox.showerror(运行出错, str(e)) if __name__ __main__: root tk.Tk() app ARIMABPApp(root) root.mainloop()逻辑说明arima_bp_pipeline把之前所有步骤封装成黑匣子GUI的run方法读取Spinbox参数、调用pipeline、把指标写进文本框。异常处理用messagebox.showerror弹出方便参数组合导致ARIMA不收敛时快速定位。注意p、d、q的取值范围应该和2.3节AIC搜索范围保持一致否则用户在GUI里输入一个合法但完全不合理的组合会得到一些奇怪的预测曲线——tkinter这种轻量GUI不会帮你拦这类输入。4.3 跑通后怎么看结果先看残差再看曲线代码跑通只是第一步结果值不值得信任要从两个角度检查。先看训练残差的ACF图是否“从显著变成不显著”——如果BP接手后残差序列的ACF仍然有几个滞后突出说明BP没学到东西问题多半出在窗口或网络结构上再看测试期曲线组合预测的优势通常体现在波峰和波谷ARIMA单独预测往往在转折点滞后BP修正后能更早转向曲线跟真实值贴得更紧。做结果汇报的时候我一般会把对比指标整理成小表方便别人一眼看到收益模型RMSEMAPE转折点拟合ARIMA 单独预测基准值基准值滞后明显ARIMA-BP 组合预测一般低10-20%一般低1-3个百分点明显改善如果组合后RMSE反而升高不要急着调参先回去看残差ACF。残差里没有可学信息才是根因结构调得再花哨也救不回来。还有一种常见情况是组合模型在训练集上完美、测试集上差距不大这不是模型失效而是训练残差与测试残差的分布差异大此时考虑滚动预测来缓解见第6章。5. 避坑指南ARIMA-BP项目里最常翻车的5个环节这套组合模型的坑集中在数据泄漏、索引对齐和信息量误判三个方向。下面五个坑是我实际跑项目时踩过或者帮别人排查过的按出现频率从高到低排列。5.1 坑一MinMaxScaler把测试集提前“透露”给了模型现象代码里对原始序列整体做了一次min-max归一化训练loss很漂亮测试期预测曲线却完全跟不上真实值甚至出现固定偏置。原因scaler在fit时把整个序列的最大最小值包括测试期数据都算进去了测试集的统计特性被泄漏进训练流程。BP看到的特征分布被“未来数据”拉宽训练时学到的映射和实际预测时面对的分布对不上。解决先划分train/test再只用train去fit scaler测试集只transform。3.3节代码里已经这么写了。网上流传的很多python源码大全里ARIMA-BP例子都是整体归一化的抄代码时这是第一个要改的地方也是翻车率最高的地方。5.2 坑二差分还原错位预测曲线整体右移现象BP单独预测残差没问题组合后的曲线比真实值整体晚一个点看起来像是慢半拍。原因ARIMA在做差分还原时有些老版本的predict返回的是差分值而不是原始值如果你手动做了一阶差分再用cumsum还原很容易丢一个历史基点导致整个预测段右移或左移一个索引位。解决统一用fit.forecast()或fit.get_forecast()让statsmodels自己处理差分还原不要手动做差分-还原。组合预测画图时先人工核对第一个点的位置如果对不齐优先怀疑切window时的索引偏移而不是怀疑模型本身。5.3 坑三BP残差预测恒等于0相当于白加了一层现象resid_pred全部在0附近组合后的曲线和ARIMA单独预测完全重合RMSE没有任何改善。原因两种可能。一是训练残差本来就是白噪声BP在无规律样本上学不到映射最优解就是预测0二是window取太大比如取到20以上把有效的局部自相关信息稀释没了。解决训练前先看残差ACF前几阶不显著就直接放弃BP这一步别硬凑如果ACF显著但预测仍然坍缩把window降到4或5隐藏层减到单层。这个问题一旦出现调参意义不大先确认残差里到底有没有信息。5.4 坑四ACF/PACF定阶靠肉眼翻车AIC又和图的结论打架现象PACF图上看滞后1截尾很清楚于是定了p1结果AIC搜索给出的最优组合却是p2、q3两者结论对不上。原因对于月度数据即使做了一阶差分季节周期仍然可能在ACF的滞后12处留下一个峰这个峰不影响平稳性检验但会干扰肉眼对截尾位置的判断。图里的截尾只能反映“某个滞后显著”不能反映哪些滞后组合能共同解释序列所以图和准则打架很正常。解决把ACF/PACF图当作圈定搜索范围的工具不当作直接给出答案的工具月度数据先试季节差分滞后12看季节峰是否消失最终以AIC/BIC搜索结果为准。记住一条经验定阶结论冲突时AIC优先图只负责缩小搜索空间。5.5 坑五测试集的“真实残差”只有离线能用上线就失效现象离线评估RMSE比ARIMA单独预测低一大截部署到线上后预测精度突然崩了。原因离线代码里用test_resid test - arima_pred构造BP特征这里用到了测试集的真实值上线时根本没有真实残差可用特征构造不出来模型等于在跑一个从未见过的输入分布。解决把离线评估改成滚动预测每一时刻用“截至当前的真实观测值”计算残差、更新特征、预测下一点或者退一步在推理阶段先用ARIMA已有预测的误差近似残差再代入BP。总之线上评估之前先在历史数据上按滚动方式重放一遍得到的RMSE才是真实水平。6. 让模型再稳一点滚动预测、误差分析与参数速查6.1 滚动预测的正确打开方式上线场景下BP残差修正器的特征必须滚动更新代码比离线版多一层循环def rolling_arima_bp(test_series, fit_model, train_resid, mlp, scaler_x, scaler_y, window4): 滚动预测每步用新增真实观测更新残差历史 resid_hist list(train_resid) preds [] for t in range(len(test_series)): next_arima fit_model.forecast(1)[0] # 用已拟合模型外推一步 X np.array(resid_hist[-window:]).reshape(1, -1) next_resid scaler_y.inverse_transform( mlp.predict(scaler_x.transform(X)).reshape(-1, 1) ).ravel()[0] preds.append(next_arima next_resid) # 用实际观测更新残差历史上线时来自采集系统 resid_hist.append(test_series.values[t] - next_arima) return np.array(preds)注意这里forecast(1)不会真正重新拟合ARIMA只是用已拟合模型外推一步。如果数据漂移明显每N步用包含新观测的序列重拟合一次ARIMA更稳代价是训练时间变长。6.2 三个评估指标怎么取舍RMSE对大误差敏感适合监控“有没有离谱的预测”MAPE直观但真实值接近0时会爆炸MAE抗离群点。我一般用RMSE做主指标、MAPE做汇报指标。如果组合模型只在RMSE上更优而MAPE反而变糟说明修正的是大偏差点小偏差的波动没改善这时候要判断业务更在乎哪种错误。6.3 一组不容易出错的起步参数参数建议值说明滑动窗口 window4残差自相关衰减快窗口别贪大隐藏层节点(16, 8)输入窗口的4倍起步过拟合就减半学习率0.01adam配合这个值基本够用迭代次数800loss不降就加到1500归一化范围[-1, 1]匹配残差正负波动形态这套参数的思路是“浅网络、小窗口、中等迭代”。我吃过亏的教训是有一回为了追求更低loss把window拉到24隐藏层加到(64, 32)结果训练集上残差预测漂亮测试集上全部坍缩到0附近——残差本身就没有那么深的信息量网络规模上去只是把噪声也学到了。从那以后我学会先看残差ACF再定结构这个顺序比任何调参技巧都重要。希望帮到你。本文还有配套的精品资源点击获取