简介这份资源面向计算机、电子信息工程、数学等专业的学生与研究人员提供一套Python实现的LSTM-GNN时间序列预测完整代码可用于课程设计、期末大作业或毕业设计。模型将擅长捕捉长期依赖的LSTM与处理图结构关系的GNN结合适用于金融分析、交通流量、气象预测等场景。压缩包共82个文件约159KB包含43个py源码、26个csv结果数据、5个sql建表脚本及md说明文档覆盖数据预处理、图构建、模型训练与指标评估等模块并附案例数据可直接运行。资源已有228人学习代码采用参数化编程注释清晰便于调整超参数与复现实验帮助读者快速理解LSTM-GNN的实现思路与评估流程。1. LSTM-GNN 做时间序列预测为什么单靠 LSTM 已经不够用了如果你手头有一份带空间拓扑的多点时间序列——比如几十个传感器、上百个路段、上千个站点——只拿 LSTM 逐条序列去拟合通常会遇到一个很尴尬的天花板单点预测精度看着还行但一旦某个节点出现异常波动整片区域的预测会集体跑偏。原因不复杂LSTM 擅长的是时间维度的依赖建模它天然不知道节点 A 和节点 B 之间存在物理连接或统计关联。而 LSTM-GNN 这套组合就是冲着这个短板来的用 LSTM 抽时间特征用 GNN 在节点之间传递信息让模型同时看到「过去发生了什么」和「邻居正在发生什么」。这个方向适合两类人一类是做交通流、气象站网、能耗监测、工业设备集群预测的工程师手里已经有明确的空间拓扑另一类是已经跑通过单序列 LSTM想在不换框架的前提下把精度再往上推一截的人。下面按「先立住原理、再动手复现、最后讲坑」的顺序拆开讲代码全部用 Python PyTorch环境配置只讲关键几步不绕弯子。2. 把 LSTM-GNN 的骨架搭清楚从邻接矩阵到时空块2.1 为什么是 LSTM 管时间、GNN 管空间而不是反过来时间序列预测里RNN 系LSTM/GRU处理的是「同一节点沿时间轴展开」的依赖它的输入形状通常是(batch, seq_len, features)。GNN 处理的是「同一时刻不同节点之间」的依赖输入形状通常是(batch, num_nodes, features)加上一个邻接矩阵A。两者维度天然错开所以最常见的融合方式不是把 GNN 塞进 LSTM 的循环体里而是做成时空块ST Block先对每个节点独立跑 LSTM 得到时间嵌入再用 GNN 在节点维度上做一轮消息传递最后接输出层。这里有个选型细节值得说清楚。GNN 的具体形式我一般用 GCN 或 GATGCN 计算便宜、对稠密图友好GAT 带注意力权重适合节点间关联强度不一致的场景比如某些路段拥堵会传染、某些不会。如果你不确定先用 GCN 跑通基线再换 GAT 对比别一上来就上复杂结构。邻接矩阵A是这套方案的命门。它可以是物理拓扑道路连接、管道连接也可以是用皮尔逊相关系数、DTW 距离算出来的统计图。物理图可解释性强但可能稀疏统计图更稠密但容易引入噪声。我的习惯是两者做加权融合权重用验证集调。2.2 最小可运行环境Python 装 PyTorch 和 PyG 的关键几步热词里「python安装教程」「vscode配置python」「python安装numpy库的方法」出现频率很高说明很多人卡在环境这一步。这里只讲和本方案直接相关的部分不展开通用安装。# 建议 Python 3.9~3.11太新的版本 PyG 轮子可能还没跟上 python -m venv stgnn_env source stgnn_env/bin/activate # Windows 用 stgnn_env\Scripts\activate # 先装 PyTorch去官网选对应 CUDA 版本的命令这里以 CPU 版举例 pip install torch torchvision torchaudio # 再装 PyTorch Geometric注意 torch 版本要和 PyG 轮子匹配 pip install torch-geometric # 数据处理和评估常用 pip install numpy pandas scikit-learn matplotlib逻辑说明虚拟环境是为了避免和系统里已有的 numpy、torch 版本打架这是血泪经验——PyG 对 torch 版本很敏感混装十有八九报undefined symbol。参数上torch-geometric装完后建议立刻跑一句import torch_geometric; print(torch_geometric.__version__)验证能打印出版本号才算通。如果报错优先检查 torch 和 PyG 的版本对应关系而不是反复重装。2.3 数据准备把原始时序转成 (样本, 时间步, 节点, 特征) 四维张量假设你有一份data.csv列是timestamp, node_id, value外加一份adj.csv描述节点连接。核心转换逻辑如下import numpy as np import pandas as pd def build_dataset(df, adj, seq_len12, pred_len1): df: 含 timestamp, node_id, value 的长表 adj: (N, N) 邻接矩阵 seq_len: 回看窗口长度 pred_len: 预测步长 返回 X: (S, seq_len, N, 1), Y: (S, pred_len, N, 1), A: (N, N) pivot df.pivot_table(indextimestamp, columnsnode_id, valuesvalue) pivot pivot.interpolate().ffill().bfill() # 缺失值先插值再前后填充 values pivot.values # (T, N) N values.shape[1] X, Y [], [] for i in range(len(values) - seq_len - pred_len 1): X.append(values[i:iseq_len]) # (seq_len, N) Y.append(values[iseq_len:iseq_lenpred_len]) # (pred_len, N) X np.expand_dims(np.array(X), -1) # (S, seq_len, N, 1) Y np.expand_dims(np.array(Y), -1) return X, Y, adj # 归一化必须按节点做不能全局归一化否则量纲小的节点会被淹没 def normalize_per_node(X, Y): mean X.mean(axis(0, 1), keepdimsTrue) std X.std(axis(0, 1), keepdimsTrue) 1e-8 return (X - mean) / std, (Y - mean) / std, mean, std逻辑说明pivot_table把长表转成(时间, 节点)矩阵这是后续所有操作的基础。seq_len12表示用过去 12 个时间步预测未来具体取值要看你的采样频率——15 分钟采样一般取 123 小时小时级采样取 24。归一化按节点做是关键参数全局归一化会让数值小的节点梯度消失这是新手最容易翻车的地方。interpolate之后再ffill/bfill是为了处理连续缺失如果缺失比例超过 20%建议直接丢弃该节点而不是硬填。3. 模型实现LSTM 抽时间、GCN 传空间的完整代码3.1 LSTM 编码器把每个节点的时间序列压成嵌入向量import torch import torch.nn as nn class TemporalEncoder(nn.Module): def __init__(self, input_dim1, hidden_dim64, num_layers2, dropout0.2): super().__init__() self.lstm nn.LSTM( input_sizeinput_dim, hidden_sizehidden_dim, num_layersnum_layers, batch_firstTrue, dropoutdropout if num_layers 1 else 0 ) self.hidden_dim hidden_dim def forward(self, x): # x: (B, seq_len, N, input_dim) - 合并 B 和 N 维度送进 LSTM B, T, N, F x.shape x x.permute(0, 2, 1, 3).reshape(B * N, T, F) # (B*N, T, F) out, (h, c) self.lstm(x) h_last h[-1] # (B*N, hidden_dim) h_last h_last.reshape(B, N, self.hidden_dim) # (B, N, hidden_dim) return h_last逻辑说明LSTM 要求输入是(batch, seq, feature)而我们的数据是(B, T, N, F)所以先permute把 N 换到 batch 维度旁边再 reshape 合并。hidden_dim64是起点节点数超过 200 时可以加到 128但要注意显存。num_layers2配dropout0.2是常规组合层数再多容易过拟合小数据集。取h[-1]而不是out[:, -1, :]是因为我们要的是最后一个时间步的隐状态两者在单向 LSTM 下等价但前者更直观。3.2 GCN 消息传递让节点看到邻居在发生什么from torch_geometric.nn import GCNConv class SpatialEncoder(nn.Module): def __init__(self, hidden_dim64, dropout0.2): super().__init__() self.gcn1 GCNConv(hidden_dim, hidden_dim) self.gcn2 GCNConv(hidden_dim, hidden_dim) self.dropout nn.Dropout(dropout) self.act nn.ReLU() def forward(self, h, edge_index, edge_weightNone): # h: (B, N, hidden_dim) - PyG 要求 (B*N, hidden_dim) B, N, D h.shape h h.reshape(B * N, D) # edge_index 需要为每个 batch 复制一份并偏移 ei edge_index h self.act(self.gcn1(h, ei, edge_weight)) h self.dropout(h) h self.act(self.gcn2(h, ei, edge_weight)) return h.reshape(B, N, D)逻辑说明GCNConv 的输入是节点特征和edge_index形状(2, E)表示每条边的起点和终点。这里有个容易忽略的点——如果 batch 大于 1edge_index需要为每个样本复制并加上节点偏移否则不同样本的节点会串在一起。edge_weight可以传入邻接矩阵的边权不传就是等权。两层 GCN 意味着每个节点能聚合到二跳邻居的信息层数再多会出现过平滑所有节点特征趋同这是 GNN 的经典问题。3.3 时空块组装与训练循环损失、优化器、早停class STGNN(nn.Module): def __init__(self, hidden_dim64, pred_len1): super().__init__() self.temporal TemporalEncoder(hidden_dimhidden_dim) self.spatial SpatialEncoder(hidden_dimhidden_dim) self.head nn.Linear(hidden_dim, pred_len) def forward(self, x, edge_index, edge_weightNone): h self.temporal(x) # (B, N, D) h self.spatial(h, edge_index, edge_weight) # (B, N, D) out self.head(h) # (B, N, pred_len) return out.permute(0, 2, 1).unsqueeze(-1) # (B, pred_len, N, 1) # 训练循环关键片段 def train_one_epoch(model, loader, optimizer, criterion, edge_index, device): model.train() total_loss 0 for x, y in loader: x, y x.to(device), y.to(device) optimizer.zero_grad() pred model(x, edge_index) loss criterion(pred, y) loss.backward() torch.nn.utils.clip_grad_norm_(model.parameters(), max_norm5.0) optimizer.step() total_loss loss.item() return total_loss / len(loader)逻辑说明clip_grad_norm_的max_norm5.0是防梯度爆炸的后悔药LSTM 加 GNN 的组合梯度容易冲高不加这个训练几轮就 NaN。损失函数用MSELoss起步如果数据有尖峰换HuberLoss更稳。优化器用Adam(lr1e-3)配合ReduceLROnPlateau在验证损失不降时减半。早停的patience设 10 到 15 轮别设太小时空模型收敛比纯 LSTM 慢。4. 避坑与排查LSTM-GNN 训练中最容易翻车的 5 个点4.1 现象loss 前几轮就变 NaN原因LSTM 和 GCN 叠加后梯度范数容易爆炸尤其是邻接矩阵没归一化、节点度数差异大时。解决先对邻接矩阵做对称归一化D^-1/2 A D^-1/2再在训练循环里加梯度裁剪。如果还 NaN把学习率降到1e-4试一轮。4.2 现象验证集 loss 比训练集低很多原因这通常不是过拟合而是Dropout在验证时没关或者归一化用的统计量在训练/验证之间不一致。解决确认model.eval()被调用且归一化的mean/std只用训练集算验证集和测试集复用同一组参数。4.3 现象GNN 层加得越多效果反而越差原因过平滑。节点特征经过多轮聚合后趋同区分度消失。解决GCN 层数控制在 2 到 3 层或者引入残差连接h h gcn(h)让原始特征保留一部分。4.4 现象某些节点预测始终是均值原因这些节点在邻接矩阵里是孤立点或度数极低GNN 聚合不到有效信息。解决检查邻接矩阵对孤立节点补自环A A I或者用统计相关性给它们补边。4.5 现象训练很快但测试集一塌糊涂原因时间序列的划分方式错了。如果用随机划分未来信息会泄漏到训练集。解决必须按时间顺序切分训练集在前、验证集居中、测试集在后且归一化统计量只用训练段计算。5. 进阶技巧用残差时空块和自适应邻接矩阵再推一截精度跑通基础版之后如果精度还差一口气我一般会从两个方向下手。第一个是残差时空块把输入x通过一个线性映射后加到时空块的输出上让模型至少能学到恒等映射训练更稳、收敛更快。第二个是自适应邻接矩阵——不只用预定义的A而是让模型自己学一个节点嵌入E用softmax(ReLU(E E.T))生成数据驱动的邻接矩阵再和物理图加权求和。这样既能保留物理拓扑的先验又能捕捉数据里隐藏的关联。class AdaptiveAdj(nn.Module): def __init__(self, num_nodes, embed_dim10): super().__init__() self.node_emb nn.Parameter(torch.randn(num_nodes, embed_dim)) def forward(self): adj torch.relu(self.node_emb self.node_emb.T) adj torch.softmax(adj, dim-1) return adj验证这套方案是否真的有效别只看 MSE。我习惯同时看三个指标MAE 反映平均误差、RMSE 对大误差敏感、MAPE 看相对误差。如果 MAPE 在低值段飙高说明模型对平稳期拟合不好这时候要检查归一化是不是把低值段压得太扁。另外画一张预测值和真实值的散点图比看数字更能发现问题——如果散点呈扇形展开说明方差没建模好考虑换负二项损失或分位数损失。最后说个我自己的习惯每次改结构之前先把当前版本的配置、指标、随机种子记在一个experiment_log.md里。时空模型的不确定性太大同一个结构换个种子结果能差 5%没有记录的话两周后你根本想不起来哪版是最好的。这个方向值得做但前提是你愿意在数据和评估上花的时间比调模型多。希望帮到你。本文还有配套的精品资源点击获取