简介这是一份面向高校期末大作业与课程设计场景的时间序列预测完整源码包源自已获高分通过的实际项目适合需要快速完成 LSTM 预测任务或对比多种神经网络模型的读者。压缩包共 31 个文件大小 28.48MB核心代码由 3 个 Python 脚本构成分别实现 RNN、LSTM、Transformer 等经典模型并配有多组 CSV 实验数据集和 14 张结果图表可直观对比不同模型的训练损失与预测效果同时包含 README 说明文档及工程配置文件便于快速定位数据、代码、图表与文档模块。目前已有 1026 人学习/下载资源结构清晰简单部署即可运行复现。下载后既能获得完整可执行的预测脚本与实验数据也能参考作者组织高分课设项目的方式为课程报告、答辩演示或后续改进提供直接支撑。1. 时间序列预测LSTM模型python代码实现源码期末大作业先复现再改数据每到期末搜索栏里就会堆满“时间序列预测LSTM模型python代码实现源码”和“lstm时间序列预测python”这类关键词这是数据分析、机器学习方向课程的经典大作业给一段历史数据用 LSTM 预测未来若干时间步最后交一份能运行的 python 源码和一份能讲出原理的报告。拿到这类源码包第一件事不是逐行读代码而是先让它在你的电脑上跑通。python 版本对不对、TensorFlow/Keras 装没装、CSV 路径和列名是否一致任何一个环节不对代码再漂亮也只是个 zip 壳子。下面按“数据准备 → 模型搭建 → 训练 → 预测 → 可视化”的顺序拆一套完整实现把每个参数为什么这么设、报错怎么定位都讲清楚。适合正在赶 LSTM 大作业、也想真正搞懂这份源码在干什么的同学。2. 做 LSTM 时间序列预测前看懂三件事门控原理、框架选型、输入形状2.1 从 RNN 的梯度消失说起LSTM 的门控到底在控制什么LSTM 是 RNN 的改进版专门解决“记不住长依赖”的问题。普通 RNN 在序列变长以后反向传播时梯度连续相乘要么指数衰减要么指数爆炸结果就是前面几步学不到任何信息。LSTM 靠细胞状态和三个门——遗忘门、输入门、输出门——让信息以近线性方式在时间步之间流动梯度等于有了一条“高速公路”这也是它名字里 Long Short-Term Memory 的来源。期末报告里你不用写一堆公式讲清楚一句话就够了遗忘门决定扔掉哪些旧信息输入门决定写入哪些新信息输出门决定当前时刻放出什么。实操上Keras 里你几乎感知不到门的存在因为model.add(LSTM(64))一行就把整套参数初始化完了。但理解门控机制能帮你避开两个认知误区。第一LSTM 不是“普通神经网络加个记忆模块”它的记忆状态是显式建模的能否抓住长距离依赖取决于你给它的时间步 look_back 够不够第二门控用的是 sigmoid 激活输出范围天然压在 0 到 1 之间所以 LSTM 内部不太需要 BatchNorm 这类额外手段就能稳定训练。很多同学喜欢先搜“lstm神经网络”的资料背下一堆公式最后报告写得像从论文里翻译出来的老师一问就露馅。我一般建议反过来先把 LSTM 当黑匣子跑通再用model.summary()看每一层的可训练参数量对照代码解释每个参数的文字含义这样既真实又省时间答辩时也能自圆其说。2.2 Keras 还是 PyTorch期末源码选框架的四个判断标准搜“lstm 实现 python”出来的代码绝大多数是两种风格TensorFlow/Keras 的 Sequential 风格或者 PyTorch 的nn.LSTM风格。期末大作业我倾向很明确拿到什么源码就顺着什么框架走除非它根本跑不起来。Keras 的优势是三层以内就能建完模型model.fit把训练逻辑全部封装好CPU 上训练几千条数据也就一两分钟PyTorch 胜在灵活但光是DataLoader、Tensor类型转换、loss.backward()这几步就够让新手在调通之前先把代码删掉重写三遍。如果你手里只有数据、没有现成源码我劝你直接写 Keras。这份选型对比可以放进作业的“技术选型”小节框架建模型代码量训练代码量CPU 小数据训练答辩风险TensorFlow/Keras10 行内model.fit一行1 到 2 分钟低代码简洁易讲PyTorch20 行以上手写循环与反向传播稍慢且易出错中讲不清楚容易露怯需要注意PyTorch 的nn.LSTM默认输入形状是(seq_len, batch, input_size)和 Keras 的(batch, timesteps, features)正好相反网上抄代码时最容易栽在这上面。期末阶段时间宝贵不要在框架迁移上浪费一整天。代码能跑、你能讲明白比“用了更高级的框架”重要得多。2.3 输入形状 (samples, timesteps, features)为什么报错总是 LSTM 层先炸新手在 LSTM 上报错十个里有八个是输入维度问题。Dense 层吃二维(样本数, 特征数)而 LSTM 层强制吃三维(样本数, 时间步数, 特征数)。我写代码的习惯是创建数据集那一刻就把 X reshape 成(样本数, look_back, 特征数)同时把look_back存成变量后面input_shape(look_back, features)直接引用同一个变量避免两处不一致。# 假设 create_dataset 返回的 X 形状是 (样本数, look_back) X X.reshape((X.shape[0], X.shape[1], 1)) print(X.shape) # 输出类似 (1943, 7, 1)这里X.shape[0]是滑窗切出来的样本总数X.shape[1]是时间步数 look_back表示用过去 7 个连续点预测下一个点最后的1是特征数。单变量预测就是 1如果是多变量就把1换成X.shape[2]或者直接用-1让框架自己推断。这个 reshape 必须放在训练测试切分之前这样训练集和测试集都不会再报expected ndim3的错误。LSTM 内部按时间步顺序逐个处理输入所以时间步的先后顺序绝对不能打乱。这是时序数据和普通回归问题最本质的区别普通回归可以随机打乱样本LSTM 一旦打乱模型就学到了一个时间上完全错乱的世界。3. 用 python 跑通 LSTM 时间序列预测数据准备、模型训练、预测评估的完整源码3.1 数据准备第一步归一化与滑窗切分假设原始数据是 CSV至少包含一个数值列。读进来以后先归一化再按 look_back 切滑窗。下面是完整的数据准备代码import numpy as np import pandas as pd from sklearn.preprocessing import MinMaxScaler def create_dataset(data, look_back7): X, y [], [] for i in range(len(data) - look_back): X.append(data[i:i look_back, 0]) y.append(data[i look_back, 0]) return np.array(X), np.array(y) df pd.read_csv(data.csv) # 至少一列数值列名假设为 value values df[value].values.reshape(-1, 1) scaler MinMaxScaler(feature_range(0, 1)) scaled scaler.fit_transform(values) look_back 7 X, y create_dataset(scaled, look_back) X X.reshape((X.shape[0], X.shape[1], 1)) print(X shape:, X.shape, y shape:, y.shape)核心逻辑在create_dataset用索引i到i look_back - 1共 look_back 个点作为输入i look_back那个点作为标签窗口每次向后移动一格。总样本数等于len(data) - look_back如果数据只有 2000 条、look_back 是 7就能得到 1993 个样本。这里有两个容易出错的地方。第一归一化必须对整个序列一次性做fit_transform不能在训练集和测试集上各做一个 scaler否则两个集合的数值范围不一致预测结果反归一化时会直接错乱。第二look_back7的含义是“用过去 7 天预测明天”数据是小时频率就改成 24月频率就改成 12。这个参数是 LSTM 里对效果影响最大的一个后面调参章节会专门展开。3.2 训练集测试集按时间切分不能 random_split分类问题可以随机打乱数据再划分时间序列绝对不能这么干。原因很简单时序预测考的是“用历史预测未来”如果把数据打乱再切分测试集里就会出现时间上早于训练集的样本模型等于提前看到了答案验证指标虚高答辩时一追问就露馅。split int(len(X) * 0.8) X_train, X_test X[:split], X[split:] y_train, y_test y[:split], y[split:] print(ftrain samples: {len(X_train)}, test samples: {len(X_test)})切分之后X_test在时间上一定晚于X_train这才是真实的“未来数据”。8:2 是时序任务里比较常见的默认比例数据量小可以改成 7:3。样本特别少的时候可以把最后一段固定为测试集多试几个不同的切分点看模型稳定性。还有一个细节容易被忽略切分前不要做任何跨样本的统计操作比如用整段数据的均值做填充。数据预处理只能依赖训练集的信息否则又是一种变相的未来泄漏。这一点写进报告里老师会觉得你是真做过功课的。3.3 模型搭建两层 LSTM 加 Dense 输出的经典结构单人期末作业的模型控制在三层以内就足够了。两层 LSTM 的效果普遍好于单层因为第二层能在第一层提取的时间特征之上再抽象一层但堆到三层以上在小数据集上非常容易过拟合训练时间还翻倍。from tensorflow.keras.models import Sequential from tensorflow.keras.layers import LSTM, Dense, Dropout model Sequential([ LSTM(64, return_sequencesTrue, input_shape(look_back, 1)), Dropout(0.2), LSTM(32, return_sequencesFalse), Dropout(0.2), Dense(1) ]) model.compile(optimizeradam, lossmse, metrics[mae]) model.summary()先说return_sequences。第一层设True表示把每个时间步的输出都传给下一层因为第二层还要再做一次 LSTM最后一层设False只输出最后一个时间步的结果交给 Dense 产生最终预测值。Dense(1)不加激活函数这是回归任务输出的是连续数值加relu或sigmoid反而会限制输出范围。损失函数选mse而不是mae因为 MSE 对偏差大的点惩罚更重梯度更陡收敛更快。Dropout(0.2)放在 LSTM 层之间比例 0.2 在小数据集上比较安全。如果你发现训练集 loss 明显低于测试集 loss说明过拟合把 dropout 提到 0.3 到 0.5 再跑一轮。3.4 训练与早停epoch 设多少才合适训练环节最常见的错误是把 epoch 写死成 300然后干等。LSTM 在期末这种几百到几千条的数据上通常几十轮就收敛了设一个 EarlyStopping 能省掉一大半等待时间。from tensorflow.keras.callbacks import EarlyStopping early_stop EarlyStopping( monitorval_loss, patience15, restore_best_weightsTrue ) history model.fit( X_train, y_train, validation_data(X_test, y_test), epochs200, batch_size32, callbacks[early_stop], verbose1 )monitorval_loss表示盯住测试集上的损失连续 15 轮不下降就停止。关键是restore_best_weightsTrue它会把模型权重回滚到验证集最优的那一步而不是停在最后一轮。这是期末大作业最容易踩的坑之一不设早停模型早过拟合了最后画出来的预测图就是一条稳得像直线的均值。batch_size32是折中值数据量小可以降到 16。epochs200只是上限一般到不了如果 50 轮内 loss 就逼近 0.001说明数据太简单或者 look_back 设得太短。训练完成后把history.history[loss]和history.history[val_loss]画成两条曲线放进报告这两条线刚好能证明“我没有乱调参”。3.5 预测反归一化算 RMSE 前别忘了 inverse_transform模型训练时数据被压缩到了 0 到 1预测结果同样在 0 到 1必须转换回原始量纲再计算误差否则 RMSE 小得离谱看着开心答辩时经不起反问。y_pred model.predict(X_test) y_pred_inv scaler.inverse_transform(y_pred) y_test_inv scaler.inverse_transform(y_test) from sklearn.metrics import mean_squared_error, mean_absolute_error rmse np.sqrt(mean_squared_error(y_test_inv, y_pred_inv)) mae mean_absolute_error(y_test_inv, y_pred_inv) print(fRMSE: {rmse:.4f}, MAE: {mae:.4f})这里必须用训练时那同一个scaler做inverse_transform因为它的 min 和 max 是在全量数据上拟合出来的换个新 scaler 等于换了一套坐标系。如果原始数据量级很大比如数值在几千上下RMSE 可能是几百这时候报告里要补一个相对误差写RMSE / np.mean(y_test_inv) * 100把误差折算成百分比老师才知道这个模型水平如何。4. LSTM 源码运行避坑记录期末最常碰到的 4 个翻车现场4.1 “expected ndim3, found ndim2”输入形状没 reshape现象model.fit一跑就抛ValueError提示 LSTM 层期望三维输入实际给的是二维。原因create_dataset返回的 X 是(样本数, look_back)缺了第三维特征数。很多人切完滑窗直接塞给model.fitLSTM 层收到二维数据自然罢工。解决在切分训练测试集之前统一执行X X.reshape((X.shape[0], X.shape[1], -1))。-1会让框架根据总元素数自动推导特征维度。如果原始数据有多列比如温度加湿度两个特征X.shape[2]就是 2别在代码里写死成 1。4.2 预测曲线滞后一拍模型在“抄作业”而不是预测现象把真实值和预测值画在一起两条曲线形状几乎一样但预测曲线整体向右平移了一个或多个时间点看起来像是描红描出来的。原因一步预测时用t时刻及之前的数据预测t1模型学到的最优策略往往是“复制上一个观测值”。时序数据相邻点高度相关这么做 loss 很低但模型其实没有任何预测能力只是把输入平移了一下。这就是大家常说的“LSTM 预测结果滞后”玄学问题。解决先把 look_back 从 1 调到 7 或 14给模型更多历史信息逼它学趋势而不是学复制。更彻底的做法是改用多步预测直接让模型输出未来 H 个点H 大于 1 时“抄作业”就没那么划算了。画图时也注意把预测起点对齐到它真正预测的那个时刻不要错位比较。4.3 预测结果是一条水平直线Dense 激活与归一化的锅现象所有预测值几乎相同接近训练集的均值图上一眼望去就是一条直线RMSE 不算大但完全没法展示。原因排查顺序很重要。先看Dense层是不是加了relu激活relu 会把一部分输出压成 0回归任务不需要它再看数据是不是有极端尖峰归一化后大部分值挤在 0 到 0.2 之间模型发现输出均值就能拿到还不错的 loss于是躺平了最后看学习率默认 0.001 在 MSE 这种大数值损失上可能小到推不动。解决把Dense(1)的激活函数去掉重新训练。如果 val_loss 前几轮就稳住不动把learning_rate从 0.001 调到 0.01 试试。数据尖峰太明显时对原始值做一次np.log1p变换再归一化把极端值压一压。4.4 训练 loss 震荡不下降三个参数里必有一个需要改现象loss 曲线像锯齿越训越高val_loss 抖动特别厉害甚至有的轮次直接变 NaN。原因batch_size 太小梯度估计噪声大look_back 太长但数据量太小梯度在长序列上传播不稳定learning_rate 太大直接跨过了最优点。三个变量同时作用损失曲线就会像过山车。解决我一般按这个顺序排查。先把batch_size提到 64 试一轮不行就把look_back砍掉一半再不行把学习率降到 0.0005。每次只改一个变量改完重新看 loss 曲线不要三个一起动否则根本不知道是谁的问题。改完之后还要面对现实如果模型折腾半天还不如简单移动平均那就换思路不是所有数据集都适合 LSTM不要迷信模型。5. 把 LSTM 大作业做到 90 分多步预测、特征增强、调参记录表5.1 多步预测直接法Dense 输出改成未来 H 个值大部分作业只要求预测一步但老师追问“能不能预测未来三天”时你得有解决方案。常见的多步预测有三种递归法、直接法、seq2seq。期末阶段最划算的是直接法改造量最小把标签从单值改成未来 H 个值输出层改成Dense(H)。horizon 3 def create_dataset_multistep(data, look_back7, horizon3): X, y [], [] for i in range(len(data) - look_back - horizon 1): X.append(data[i:i look_back, 0]) y.append(data[i look_back:i look_back horizon, 0]) return np.array(X), np.array(y) X, y create_dataset_multistep(scaled, look_back7, horizon3) X X.reshape((X.shape[0], X.shape[1], 1)) model Sequential([ LSTM(64, return_sequencesTrue, input_shape(look_back, 1)), Dropout(0.2), LSTM(32, return_sequencesFalse), Dense(horizon) ])直接法的核心是让模型一次吐出未来 3 个点训练和推理逻辑一致误差不会像递归法那样逐步累加放大。代价是有效样本变少了因为每条样本的尾巴少了horizon个点。数据量少于 500 条时horizon不要超过 5否则训练集太小模型更容易过拟合。5.2 特征增强把星期、小时拼进输入模型立刻变聪明如果原始数据带日期把星期、小时这些时间特征拼进去效果往往立竿见影。LSTM 不是魔法单序列里看不到的规律你得显式告诉它。df[date] pd.to_datetime(df[date]) df[hour] df[date].dt.hour df[weekday] df[date].dt.weekday extra df[[hour, weekday]].values scaler_extra MinMaxScaler() scaled_extra scaler_extra.fit_transform(extra) def create_dataset_with_features(data, extra, look_back7): X, y [], [] for i in range(len(data) - look_back): # 把数值序列和时间特征按时间步拼接 combined np.column_stack((data[i:i look_back], extra[i:i look_back])) X.append(combined) y.append(data[i look_back, 0]) return np.array(X), np.array(y) X, y create_dataset_with_features(scaled, scaled_extra, look_back) X X.reshape((X.shape[0], X.shape[1], X.shape[2]))这里的关键是每个时间步都同时包含序列值和时间特征输入形状变成(样本数, look_back, 1 时间特征数)。归一化要分开做hour和weekday有自己的取值范围不能直接跟 0 到 1 的序列值混在一起。加了星期特征以后模型能学会“周末低、工作日高”这类规律这在销量预测和能耗预测的期末题目里特别常见。特征不是越多越好加了七八个无关特征反而会把 LSTM 的训练拖慢一般两到四个时间特征就够。5.3 调参顺序先 look_back、再神经元数、最后正则化期末报告里写“我随便试了几下”会扣分写“我按顺序做了对比实验”会加分。我在这类几百到几千条数据上的调参顺序是固定的固定层数和学习率把look_back在 [3, 7, 14, 30] 里扫一遍选验证集 RMSE 最低的。固定 look_back把 LSTM 神经元数从 32 加到 128保持两层结构看 loss 曲线是否更平滑。最后动正则化先加 Dropout再减小 batch_size最后才调学习率。原因是绝对的优先级look_back 决定模型能看到多长的历史直接影响信息量神经元数决定模型容量影响能否拟合出规律正则化只是防过拟合作用排在最后。调完以后把结果整理成一张表look_back层数神经元dropoutval_rmse7264-320.212.414264-320.29.8142128-640.38.6这张表放进作业里比放十张训练曲线更有说服力。再加一列“训练时长”老师知道你是在有限的机器上做的实验。调参要留痕这是工程习惯不是学术要求。6. 模型保存与预测可视化交代码前最后 30 分钟的自我检查6.1 用 model.save 保存权重别像我现在这样靠肌肉记忆训练跑通只是第一步交代码前把模型存成本地文件、再写一个独立的预测脚本是基本的工程素养。model.save一行就能保存结构与权重model.save(lstm_model.keras) from tensorflow.keras.models import load_model loaded_model load_model(lstm_model.keras) new_pred loaded_model.predict(X_test[:10])这里有个细节要提醒Keras 3 的.keras格式和旧版本常用的.h5格式不互通。源码包里最好两种格式都放一份再写清模型文件对应的框架版本避免老师换环境重跑时导出失败。我自己就踩过这个坑熬到凌晨把模型训完直接关了电脑第二天才发现忘了保存权重又硬着头皮重跑了四十分钟才拿回结果。从那以后model.save紧跟训练结束成了肌肉记忆。6.2 画图四步自查滞后、量纲、文件清单、requirements模型效果好不好看图比看数字快得多。画图脚本本身不长但要把标题、坐标轴标签、图例都写完整保存成高清 pngimport matplotlib.pyplot as plt plt.figure(figsize(12, 5)) plt.plot(y_test_inv, label真实值, color#1f77b4) plt.plot(y_pred_inv, labelLSTM预测值, color#ff7f0e, linestyle--) plt.xlabel(时间步) plt.ylabel(原始值) plt.legend() plt.title(LSTM 时间序列预测结果 vs 真实值) plt.tight_layout() plt.savefig(prediction_result.png, dpi200)交代码前最后 30 分钟我按四条顺序过一遍先看预测图有没有滞后或水平直线这两种图放进报告基本是送人头再核对 RMSE 数量级和原始数据是否匹配然后确认源码包里包含数据文件、训练脚本、预测脚本和 README最后检查requirements.txt把 Keras、numpy、sklearn 的版本号写清楚缺了这个文件老师换台机器跑的时候就会在环境配置上耗掉大量耐心。这四件事做完这份 LSTM 时间序列预测源码才算真正交得出手。希望这些代码和踩坑记录能帮你在期末前少走点弯路把时间留给真正值得调的地方。本文还有配套的精品资源点击获取