简介这份资源是面向计算机、人工智能、数据科学等专业学生与开发者的时间序列预测实战代码包以LSTM网络模型为主线系统演示了不同数据输入输出组合下的网络结构搭建方法。包内重点讲解如何构造输入输出数据的形状以及如何配置合适的网络参数来接收训练数据涵盖单变量与多变量、单步与多步、双向LSTM、堆叠式LSTM、CNNLSTM、ConvLSTM、Encoder-Decoder LSTM等多种模型可作为模板直接复制调整到具体预测问题中。资源共39个文件以24个py源码和13个zip压缩包为主另附2个txt说明文档整体约68KB源码均带超详细注释便于逐行理解。目前已有646人学习下载适合作为课程大作业、毕业设计或初期项目立项的参考也能帮助初学者快速掌握时间序列预测的建模流程与参数配置思路。1. 从一份课程大作业源码说起LSTMCNN堆叠式LSTM到底在预测什么时间序列预测这个方向每年课程大作业都会有一批人栽在同一个地方单层 LSTM 跑出来的曲线永远比真实值滞后半步峰值削平、拐点糊掉调学习率、加 epoch、换优化器全试一遍还是那个鬼样子。这份「基于 LSTMCNN堆叠式 LSTM 的时间序列预测 python 源码」之所以值得拿出来讲是因为它把三种结构串成了一条流水线CNN 先做局部特征提取第一层 LSTM 抓时序依赖堆叠式 LSTM 再在更高抽象层上做二次建模。它解决的不是「能不能预测」而是「预测曲线能不能跟上真实拐点」这个更实际的问题。这套结构适合谁如果你手上有单变量或多变量的连续序列——电力负荷、设备振动、销量、传感器读数——并且已经跑通过最朴素的 LSTM但发现误差集中在波动剧烈的区段那这份源码的思路就是给你准备的。它不要求你从零推导反向传播但要求你能看懂张量在三个模块之间怎么流动。下面我按「结构为什么这么搭 → 数据怎么喂 → 代码怎么跑 → 参数怎么调 → 坑在哪」的顺序把这份源码拆成能直接复现的步骤。热词里常出现的 lstm 时间序列预测 python、lstm 模型代码、cnn 和 rnn 这些检索意图都会在对应章节落到具体代码和参数上。2. 三模块串联的选型逻辑为什么不是单纯堆 LSTM 层2.1 CNN 前置做局部特征而不是直接上 LSTM很多人第一反应是「时间序列要 CNN 干嘛」。这里 CNN 的角色不是图像识别而是一维卷积核在时间轴上滑动把相邻几个时间步的局部模式压成一个特征向量。比如设备振动信号里连续 5 个采样点构成的短时冲击形态单靠 LSTM 的门控机制要花很多步才能记住而一维卷积核一次滑动就能把这个局部形态提出来。具体到代码层面Conv1D 的卷积核大小决定了「一次看多宽的时间窗口」。核太小比如 2局部特征抓不住核太大比如 24会把不同阶段的模式混在一起。我一般会先看序列的采样周期和物理含义如果相邻点之间变化平缓核取 3 到 5如果相邻点抖动剧烈核取 7 到 11。这份源码里用的是中等核配合 padding 保持序列长度不变这样后面接 LSTM 时时间步数不会缩水。另一个关键点是通道数。Conv1D 的 filters 不是越多越好。filters 设成 32 或 64 是常见起点再往上加参数量涨得比收益快。源码里第一层卷积后接了一个池化或步幅操作来降采样目的是缩短 LSTM 要处理的时间步长度——LSTM 的计算量随时间步线性增长先把长度压一半后面堆叠两层才跑得动。2.2 第一层 LSTM 与堆叠式 LSTM 的分工单层 LSTM 的隐藏状态要同时承担「记住长期趋势」和「输出当前预测」两个任务这是它预测滞后的根源之一。堆叠式 LSTM 的做法是第一层 LSTM 输出每个时间步的完整隐藏状态序列return_sequencesTrue第二层 LSTM 在这个序列上再跑一遍相当于把第一层的中间表示当作新的输入序列来建模。这样分工之后第一层偏向提取短时依赖和局部变化第二层偏向整合更长范围的趋势。源码里两层 LSTM 的 units 通常设成相同或递减比如第一层 64、第二层 32。递减的好处是逐层压缩信息避免后面全连接层参数爆炸。如果两层都设 128训练时显存和过拟合风险都会明显上升课程作业的机器不一定扛得住。提示堆叠层数不是越多越好。两层 LSTM 已经能覆盖大部分课程作业的数据规模加到三层以上梯度消失和训练时间的问题会盖过精度收益。2.3 输出层与损失函数的选择回归型时间序列预测输出层就是一个 Dense(1)不加激活函数直接输出数值。损失函数用 MSE 或 MAEMSE 对大误差惩罚重适合你更在意峰值区段MAE 对异常值更稳适合数据里有零星尖刺的情况。源码里默认 MSE如果你发现训练后期 loss 震荡可以换成 Huber loss它在误差大时退化成 MAE误差小时接近 MSE算是两者的折中。优化器用 Adam 是常规操作学习率从 1e-3 起步。这里有个容易忽略的点LSTM 和 CNN 对学习率的敏感度不同CNN 通常能承受更大学习率LSTM 则容易在 1e-2 以上发散。统一用 1e-3 是稳妥起点如果 CNN 部分收敛太慢可以给卷积层单独设稍大的学习率但这需要改优化器参数组课程作业里不强制。3. 数据准备与滑窗构造把原始序列变成模型能吃的张量3.1 单变量与多变量序列的输入形状这份源码支持单变量和多变量两种输入。单变量时输入形状是 (样本数, 时间步, 1)多变量时是 (样本数, 时间步, 特征数)。CNN 的输入通道数要跟特征数对齐LSTM 的 input_size 也要跟着改。很多人在这里翻车数据是单变量但 Conv1D 的 input_shape 写成了 (时间步, 特征数) 却忘了特征数是 1导致维度对不上。下面这段是构造滑窗样本的核心逻辑我按源码思路重写并加了注释import numpy as np def make_windows(series, window_size, horizon1): series: 一维或二维数组形状 (总长度, 特征数) window_size: 用过去多少个时间步预测未来 horizon: 预测未来第几步默认 1 返回: X 形状 (样本数, window_size, 特征数), y 形状 (样本数, 特征数或1) X, y [], [] # 从 0 开始滑动保证最后一个窗口的标签不越界 for i in range(len(series) - window_size - horizon 1): # 取连续 window_size 个时间步作为输入 X.append(series[i : i window_size]) # 取窗口之后第 horizon 步作为预测目标 y.append(series[i window_size horizon - 1]) return np.array(X), np.array(y)逻辑说明循环上界用len(series) - window_size - horizon 1是为了保证i window_size horizon - 1不超出数组长度。参数上window_size 决定模型能看多长的历史horizon 决定预测未来多远。课程作业里 horizon 一般设 1也就是预测下一个时间点如果要预测未来多个点要么把 horizon 调大要么改成多输出结构。3.2 归一化与反归一化别在最后一步把结果搞反时间序列里各特征量纲差异大时必须做归一化。常见做法是 MinMax 缩放到 [0,1] 或 StandardScaler 做零均值单位方差。关键点是归一化参数只能用训练集拟合然后应用到验证集和测试集否则就是数据泄露。from sklearn.preprocessing import MinMaxScaler scaler MinMaxScaler() # 只在训练集上 fit避免验证/测试信息泄露 train_scaled scaler.fit_transform(train_data) val_scaled scaler.transform(val_data) test_scaled scaler.transform(test_data) # 预测完之后要反归一化回原始量纲 pred_real scaler.inverse_transform(pred_scaled)参数说明MinMaxScaler 对异常值敏感如果序列里有极端尖刺缩放后正常区段会被压得很扁这时改用 RobustScaler 更稳。反归一化这一步经常被漏掉导致画出来的预测曲线和真实曲线量纲对不上看起来误差巨大其实只是没还原。3.3 训练集、验证集、测试集的切分顺序时间序列不能随机打乱切分必须按时间先后切。常见比例是 7:1:2 或 8:1:1。切分之后再做滑窗而不是先滑窗再切分——先滑窗会让相邻窗口跨越切分边界验证集里混入训练集的信息。源码里是先按时间切分原始序列再分别对三段做滑窗这个顺序不能反。注意如果你的序列有明显的周期性比如日周期、周周期切分时要保证每个集合都覆盖完整周期否则验证集可能全落在某个特殊时段评估结果不可信。4. 模型搭建与训练Keras 下的三层结构逐行落地4.1 用 Sequential 搭出 CNN 堆叠 LSTM下面这段是模型定义的核心代码按源码结构整理from tensorflow.keras.models import Sequential from tensorflow.keras.layers import Conv1D, MaxPooling1D, LSTM, Dense, Dropout def build_model(window_size, n_features): model Sequential() # 一维卷积提取局部时序模式paddingsame 保持长度 model.add(Conv1D(filters64, kernel_size3, activationrelu, paddingsame, input_shape(window_size, n_features))) # 池化降采样缩短后续 LSTM 的时间步 model.add(MaxPooling1D(pool_size2)) # 第一层 LSTMreturn_sequencesTrue 把完整序列传给下一层 model.add(LSTM(64, return_sequencesTrue)) model.add(Dropout(0.2)) # 堆叠式第二层 LSTM只输出最后一步的隐藏状态 model.add(LSTM(32, return_sequencesFalse)) model.add(Dropout(0.2)) # 输出层回归任务不加激活 model.add(Dense(1)) model.compile(optimizeradam, lossmse) return model逻辑说明Conv1D 的paddingsame保证卷积后时间步不变MaxPooling1D 的 pool_size2 把长度减半。第一层 LSTM 的return_sequencesTrue是堆叠的关键少了这个参数第二层 LSTM 拿不到序列整个堆叠结构就退化成单层。Dropout 放在两层 LSTM 之后比例 0.2 是课程作业的稳妥值数据量小的时候可以提到 0.3。参数说明filters64、kernel_size3、LSTM units 64/32 都是起点值。如果你的 window_size 只有 10 左右MaxPooling 可能把长度压得太短可以去掉池化或改成 pool_size1。n_features 是特征数单变量时为 1。4.2 训练过程中的回调配置训练时建议加 EarlyStopping 和 ModelCheckpoint前者防止过拟合后者保存验证集上最好的权重from tensorflow.keras.callbacks import EarlyStopping, ModelCheckpoint callbacks [ # 验证 loss 连续 10 轮不降就停并恢复最优权重 EarlyStopping(monitorval_loss, patience10, restore_best_weightsTrue), # 只保存 val_loss 最低时的模型 ModelCheckpoint(best_model.h5, monitorval_loss, save_best_onlyTrue) ] history model.fit(X_train, y_train, validation_data(X_val, y_val), epochs100, batch_size32, callbackscallbacks, verbose1)参数说明patience10 意味着验证 loss 连续 10 轮没改善就停这个值太小会早停太大浪费训练时间。batch_size32 是常见起点序列较长或显存不够时降到 16。epochs 设 100 配合早停实际训练轮数通常远小于 100。4.3 预测与评估指标训练完之后在测试集上预测并计算指标from sklearn.metrics import mean_absolute_error, mean_squared_error import numpy as np pred model.predict(X_test) # 反归一化 pred_real scaler.inverse_transform(pred) y_real scaler.inverse_transform(y_test.reshape(-1, 1)) mae mean_absolute_error(y_real, pred_real) rmse np.sqrt(mean_squared_error(y_real, pred_real)) print(fMAE: {mae:.4f}, RMSE: {rmse:.4f})逻辑说明预测输出是归一化空间的必须用同一个 scaler 反归一化后再算指标否则 MAE 和 RMSE 没有物理意义。如果你的目标是多变量预测y_test 的形状要对应调整inverse_transform 的输入维度要跟 fit 时一致。5. 避坑与排查这份源码跑不起来时先看这五条5.1 现象训练 loss 一直不降停在某个值附近原因最常见的是归一化没做或做错导致输入数值范围远超激活函数的有效区间其次是学习率太大LSTM 部分直接发散。还有一种隐蔽情况是滑窗构造时标签和输入错位模型在学噪声。解决先打印 X_train 的 min/max 和 y_train 的 min/max确认都在合理范围。然后把学习率降到 1e-4 试一轮如果 loss 开始下降说明是学习率问题。最后检查 make_windows 的索引确认 y 取的是窗口之后的那一步而不是窗口内最后一步。5.2 现象验证 loss 比训练 loss 低很多原因这跟过拟合的典型表现相反通常是验证集切分有问题。如果先滑窗再切分验证集的窗口和训练集窗口有重叠相当于验证集里混了训练数据另一种可能是 Dropout 在验证时没关闭但这个 Keras 会自动处理。解决改成先按时间切分原始序列再分别滑窗。检查切分点是否落在周期边界上必要时调整切分比例让验证集覆盖完整周期。5.3 现象预测曲线整体滞后于真实曲线原因这是单层 LSTM 的典型问题堆叠式 LSTM 能缓解但不能根除。如果滞后严重说明模型偏向用上一个时间点的值做预测也就是学到了「持续性」而不是真正的模式。解决检查输入窗口是否太短window_size 至少要覆盖一个完整的变化周期。另外可以尝试在损失函数里对大误差加权迫使模型关注拐点区段。如果数据差分后更平稳可以先做一阶差分再预测最后把差分还原。5.4 现象Conv1D 那层报维度错误原因Keras 的 Conv1D 要求输入是三维 (batch, steps, channels)很多人把单变量序列整理成二维 (batch, steps) 就喂进去或者 input_shape 写成了 (steps,) 而不是 (steps, 1)。解决在 make_windows 之后加一步 reshape单变量时把 X 从 (样本, 时间步) 改成 (样本, 时间步, 1)。多变量时确认特征数跟 Conv1D 的输入通道一致。5.5 现象训练到一半显存爆了原因window_size 太大、batch_size 太大、或者两层 LSTM 的 units 都设得很高三者叠加会迅速吃满显存。MaxPooling 如果没加LSTM 要处理的时间步就是原始 window_size计算量成倍上升。解决优先降 batch_size 到 16 或 8然后检查 MaxPooling 是否生效。如果还不行把第二层 LSTM 的 units 减半或者把 window_size 缩短。课程作业的机器通常显存有限别一上来就堆大参数。6. 让堆叠式 LSTM 真正跑出优势的两个调参技巧第一个技巧是调整两层 LSTM 的 units 比例。我试过 64/64、64/32、128/64 几组配置在课程作业常见的数据规模下64/32 的验证 loss 通常最低。原因是第一层需要足够容量提取局部模式第二层做整合时反而不需要那么多参数参数太多会记住训练集的噪声。如果你发现第二层 units 跟第一层一样时过拟合明显先把第二层减半再考虑加 Dropout。第二个技巧是给 CNN 部分和 LSTM 部分设不同的学习率。Keras 里可以通过优化器的参数组实现但更简单的做法是分阶段训练先用 1e-3 训练到验证 loss 平稳再把学习率降到 1e-4 微调几轮。这样 CNN 在前一阶段快速收敛LSTM 在后一阶段精细调整比统一学习率更容易找到好的局部最优。验证堆叠结构是否真的起作用可以做一个对照实验把第二层 LSTM 去掉其他参数不变跑一遍看验证 loss 和预测曲线。如果两者差距很小说明你的数据里长程依赖不强堆叠的收益有限这时候把精力放在特征工程上比加层更划算。我自己就吃过这个亏曾经在一个周期性很弱的数据集上硬堆三层 LSTM调了两天参数最后发现单层加好特征的效果反而更好。希望帮到你。本文还有配套的精品资源点击获取