简介LSTM 时间序列分析预测完整项目面向计算机、人工智能、自动化等专业学生的课程设计、大作业或毕设阶段也适合希望入门时序预测的开发者参考。项目以 PM2.5 浓度预测为实际场景覆盖数据预处理、LSTM 模型构建与训练、预测结果可视化等环节形成一条可直接对照学习的时间序列分析流程。代码经调试测试压缩包共含 6 个文件3 个 Python 脚本分别负责主程序、数据处理与序列展示2 个 CSV 数据集用于训练和验证另有 1 份 Markdown 说明文档整包约 929KB结构简洁便于按模块研读与替换数据重新训练。已有 96 人次浏览学习。下载后可直接运行也可在此基础上将数据替换为股价、流量、气温等序列完成扩展实验适合作为高评分大作业的完整参考。1. LSTM 时间序列分析预测这份 PM2.5 代码包为什么值得下载做 LSTM 时间序列预测的课程设计最痛苦的往往不是看不懂模型而是数据清洗、窗口构造、训练调参、结果可视化这一整条链路任何一环断了就卡死。这份 PM2.5Prediction 代码包把「预处理 → 训练 → 可视化」全流程一次给齐了压缩包里 main.py 负责 LSTM 模型训练dataPreprocessing.py 把 raw.csv 洗成 pollution.csvseriesShow.py 输出预测对比图和损失曲线外加 README 运行说明和可直接使用的 csv 数据集。解压后按顺序跑就是一条完整的大作业流水线而且代码都经过验证属于那种「能直接抄、也敢在答辩时讲」的资源。它适合两类人一是计算机、自动化、电子信息相关专业需要交课设或毕设初稿的学生需要一份能复现、能讲清楚每个参数含义的基准代码二是想入门 LSTM 时序预测、又不想从零搭环境的开发者。代码是纯 Python 脚本不依赖分布式环境数据是 csv 平铺最大门槛只在 TensorFlow 环境安装。下面按数据、模型、可视化、避坑四条线拆开讲。2. 数据预处理raw.csv 到 pollution.csv 的清洗链与两个关键参数2.1 先看清两个 csvraw 和 pollution 差在哪压缩包里同时放着 raw.csv 和 pollution.csv第一次跑的人容易困惑既然 pollution.csv 已经是处理好的数据为什么还要留着 raw.csv我的理解是这相当于把「原始数据」和「特征工程产物」分开存放dataPreprocessing.py 负责从 raw 生成 pollution你改了预处理逻辑后重跑一次脚本就能得到自己的版本。对于答辩来说这还是一个很好的展示点——能现场演示数据从原始到可建模的完整链路比直接甩一个处理完的数据集有说服力得多。按照这类 PM2.5 预测项目最通用的数据来源raw.csv 是北京地区的小时级空气质量记录字段结构大致分成两类一类是时间信息包括年、月、日、小时四列另一类是观测数值包括 pm2.5 浓度、露点 DEWP、气温 TEMP、气压 PRES、风向 cbwd、风速 Iws、积雪 Is、降雨 Ir。pollution.csv 则是在此基础上做了三件事把分散的年月日小时列合并成标准 datetime 时间索引把缺失的 pm2.5 值补齐把风向这类类别变量转换成适合喂给模型的数值特征。这里有个关键认知需要先说透LSTM 接收的输入是三维张量形状是样本数时间步长特征数不是普通表格的二维结构。所以预处理不只是洗数据还要负责把「一行是一个时刻」的表重构成「一个样本是一段连续历史窗口」的序列。窗口长度也就是常说的 lookback 或 timesteps是第一个要拍板的超参数。常见选择是 24意思是拿过去 24 小时的数据预测下一个小时也有人用 72拿过去三天。窗口太短模型看不到日周期窗口太长可构造的训练样本变少收敛变慢。这份代码跑批处理时建议先从 24 试起后面细调。对比项raw.csvpollution.csv时间表示year/month/day/hour 分列合并为 datetime 索引pm2.5 缺失值保留 NA 字符串线性插值补齐风向 cbwd类别字符串NE/NW/SE/cvone-hot 展开为多列 0/1数值量纲原始量纲归一化后0~1用途存档原始观测直接喂给 LSTM上表基本概括了 raw 和 pollution 的分工。要注意的是pollution.csv 里如果已经做过归一化那么后续 main.py 里通常还要配合保存一份 scaler 对象否则预测结果无法还原成真实浓度这个细节在 2.3 节展开。2.2 dataPreprocessing.py 的清洗逻辑与关键代码数据预处理脚本的核心工作可以拆成四步解析时间、补齐缺失值、处理风向类别、保存结果。下面这段是这类项目里最常见的实现骨架逻辑和 dataPreprocessing.py 逐段对应import pandas as pd import numpy as np # 读取原始数据na_values[NA] 是坑点缺失值是字符串而不是空单元格 df pd.read_csv(raw.csv, parse_dates{datetime: [year, month, day, hour]}, index_coldatetime, na_values[NA]) print(原始数据缺失值统计\n, df.isnull().sum()) # 1) pm2.5 用线性插值补齐风向用众数填充 df[pm2.5].interpolate(methodlinear, inplaceTrue) df[cbwd].fillna(df[cbwd].mode()[0], inplaceTrue) # 2) 风向是类别变量one-hot 展开成 4 个 0/1 列 df pd.get_dummies(df, columns[cbwd], drop_firstFalse) # 3) 保存清洗后的宽表 df.to_csv(pollution.csv, encodingutf-8) print(清洗完成pollution.csv 形状, df.shape)这段代码里最值得注意的细节是na_values[NA]。这类小时级空气质量数据的原始 csv 里缺失值往往不是空单元格而是字符串 NA如果读取时不指定pandas 会把它当成普通字符串后续 interpolate 完全不生效那一列喂进模型的全是脏数据训练 loss 会异常高。这是一个非常隐蔽的坑很多人跑完发现效果差回头查半天才发现是这一步。补缺失值的方法我一般会用线性插值也就是interpolate(methodlinear)原理是取缺失点前后两个有效值的连线中点做估计。PM2.5 小时级数据偶尔会出现整段连续缺失线性插值是最稳的兜底方案如果追求更好效果可以用前后 12 小时的平均值但对课程设计而言插值已经足够。风向 cbwd 是类别变量常见取值是 NE、NW、SE、cv不能直接当数值喂给 LSTM这里用get_dummies展开成四列 0/1。有同学图省事直接做 label encode 成 0、1、2、3这会引入「风向大小」这种根本不存在的顺序关系属于时序特征工程里的常见误用。2.3 归一化为什么 MinMaxScaler 在 LSTM 场景基本是必选项预处理里最容易跳过、跳过就翻车的一步是归一化。LSTM 内部用的是 tanh 和 sigmoid 激活函数输入数值过大或过小都会让神经元进入饱和区梯度趋近于零训练基本学不动。PM2.5 浓度单位是 μg/m³量级几十到几百气温是零下十几到三十几气压是上千百帕。这些列直接拼在一起喂进模型数值大的特征会主导梯度更新小量纲特征的信息被淹没了。常见做法是用 MinMaxScaler 把每个特征压缩到 [0, 1] 区间from sklearn.preprocessing import MinMaxScaler scaler MinMaxScaler(feature_range(0, 1)) # 只对数值列归一化注意 fit 用训练集部分避免未来信息提前泄露 features [pm2.5, DEWP, TEMP, PRES, Iws, Is, Ir] \ [c for c in df.columns if c.startswith(cbwd_)] scaled scaler.fit_transform(df[features]) np.save(scaler.npy, scaler) # 保存 scaler预测阶段靠它做反向变换保存 scaler 这一步看似不起眼实际是很多人吃过亏的地方训练时用归一化数据画出漂亮曲线等到验证阶段想把预测值还原成真实浓度发现没存 scaler只能重新 fit。重新 fit 出来的变换范围如果和训练时不一致还原出的数值会整体偏移。正确习惯是训练脚本里 fit 完立刻保存预测脚本里 load 出来做inverse_transform。这里顺手存成 npy 是常见做法工程上也可以用 joblib 存完整对象效果一样。和归一化绑定的一条时间序列铁律是scaler 只能 fit 在训练集上不能在全量数据上 fit。原因很直接——如果先用全量数据的最大值做归一化再切训练集和测试集测试集的信息就已经通过最大值和最小值渗进了训练过程这属于数据泄露会让测试指标虚高答辩时一问一个准。正确做法是先按时间切分再在训练集上 fit scaler然后 transform 训练集和测试集。提示归一化区间选 [0, 1] 还是 [-1, 1] 影响不大但要和激活函数匹配。tanh 更适合 [-1, 1]不过 LSTM 的门控结构对 [0, 1] 也很宽容课程设计场景选哪个都行。窗口长度的选择也在这里一并说清楚。构造样本时时间步长 timesteps 决定了每个样本包含多少个历史时刻。小时级数据天然有 24 小时日周期所以 24 是最常见的起点。窗口太小比如 3 或 6模型只能看到极短的历史很难捕捉到早晚高峰的浓度变化规律窗口太大比如 168一周样本数量急剧减少训练时间变长收益却很有限。我的经验是先固定 24 跑通全流程再对比 48 和 72 的验证集误差选最优的那个写进报告这个对比实验本身也是答辩的加分素材。数据预处理章节说这么多是因为这份资源 80% 的分数其实在数据合理性和特征工程上模型部分反而中规中矩。数据洗干净、归一化做对、窗口选合理后面的 LSTM 就是个标准组件。接下来看 main.py 里模型是怎么搭的。3. 模型搭建与训练main.py 里 LSTM 结构、损失函数和拆分逻辑3.1 网络结构为什么 LSTM 后面一定要接 Dense 层main.py 里的模型结构在课程设计场景下是最经典的单隐层 LSTM 加全连接输出LSTM 层接收三维输入输出每个时间步的隐藏状态最后一个时间步的隐藏状态经过 Dense 层映射成预测值。之所以最后要接 Dense 而不是直接用 LSTM 输出是因为 LSTM 的隐藏维度是模型内部空间比如 64 维向量而我们要预测的目标维度是 pm2.5 单值Dense 层起的是降维投影作用把高维隐藏状态压缩到目标维度。用 TensorFlow 的 Keras API 实现核心就这几行from tensorflow.keras.models import Sequential from tensorflow.keras.layers import LSTM, Dense, Dropout model Sequential() model.add(LSTM(units64, return_sequencesFalse, input_shape(timesteps, n_features))) model.add(Dropout(0.2)) model.add(Dense(units1)) model.compile(optimizeradam, lossmse, metrics[mae])几个参数的实际含义值得在答辩时讲清楚。units64是 LSTM 隐藏单元数表示模型用 64 维向量来记忆和表达时间序列的模式这个数字越大模型容量越大但也越容易过拟合。return_sequencesFalse表示只输出最后一个时间步的隐藏状态因为单步预测只需要最终状态如果后面还要再接一层 LSTM这一项就必须改成 True让第一层输出完整的时间步序列给第二层。Dropout(0.2)是时序模型里防过拟合的常规手段训练时随机丢弃 20% 的神经元连接让模型不依赖某一条特定路径。隐藏单元数从 32 到 128 都是合理区间64 是个不容易出错的中间值数据量少就降到 32特征多或序列长可以上到 128。课程设计里有人会再加一层 LSTM 组成双层结构。双层 LSTM 的作用是让第一层提取局部时序模式、第二层捕捉更长周期的依赖。但对 PM2.5 这种小时级数据单层往往已经够用双层不仅训练时间翻倍还更容易过拟合。我的建议很直白先跑通单层基线如果验证集误差明显下不去再考虑加深不要一上来就堆层数。模型结构越简单答辩时越容易把每个组件的必要性讲清楚堆一堆花哨结构反而容易被追问到答不上来。3.2 训练参数损失函数选型与早停回调的配置逻辑损失函数在代码里用的是 mse 而不是 mae这个选择是有讲究的。MSE 对误差的惩罚是平方级的大误差的惩罚远大于小误差这对 PM2.5 预测是合适的——空气质量场景里极端高浓度事件恰恰是最需要模型关注的如果只优化平均绝对误差模型会倾向于输出「稳妥的中间值」把高污染日平滑掉。代价是 MSE 对异常值敏感个别传感器跳变值会把模型带偏所以前面数据清洗阶段把极端值处理干净就很重要。优化器直接选 Adam这是 LSTM 场景最省心的组合。Adam 自带自适应学习率默认学习率 0.001 起步收敛太慢就调到 0.0005loss 振荡就调回 0.001。batch_size 和 timesteps 相互制约batch_size 是一次喂给模型的样本数常见取 32 或 64timesteps 是每个样本的时间窗口长度两者共同决定了一个 batch 里实际参与计算的时间步总数显存或者内存不够就同时缩小。epoch 数没有标准答案一般设 30 到 100同时配合早停。训练主循环的骨架和 main.py 的结构一致from tensorflow.keras.callbacks import EarlyStopping, ModelCheckpoint early_stop EarlyStopping(monitorval_loss, patience10, restore_best_weightsTrue) checkpoint ModelCheckpoint(best_model.h5, monitorval_loss, save_best_onlyTrue, verbose1) history model.fit( X_train, y_train, validation_data(X_val, y_val), epochs50, batch_size32, callbacks[early_stop, checkpoint], verbose1 )EarlyStopping 的patience10含义是验证集 loss 连续 10 个 epoch 不下降就停止训练restore_best_weightsTrue会在停止时回滚到验证 loss 最低的那一轮权重。这相当于给训练上了后悔药避免最后几个 epoch 过拟合把最优模型覆盖掉。ModelCheckpoint 则是边训练边把验证 loss 最优的权重存到磁盘防止训练中途断电或者崩了白跑。这两个回调在课程设计里属于「写了就加分」的细节答辩时被问到「你怎么防止过拟合」直接把早停机制讲出来就是完整答案。batch_size 这里有个容易被忽略的现象设成 8 或 16 时每个 batch 的梯度估计噪声很大loss 曲线会像锯齿一样上下抖动。如果看到锯齿状但整体趋势向下不需要特别处理把早停 patience 调大一点即可如果抖动到无法判断趋势就把 batch_size 加到 32 或 64。epoch 数设 50 配合 patience10在 CPU 机器上单层 LSTM 通常十分钟内能跑完如果超过半小时还没收敛优先怀疑是窗口太长或者没有归一化。3.3 训练测试拆分时间序列不允许随机 shuffle这是 main.py 相关代码里最容易被挑刺的地方。很多从图像分类转过来的同学习惯用 sklearn 的train_test_split默认随机切分然后训练集测试集各拿一部分混着的数据。这在时间序列里是致命的LSTM 靠历史窗口预测未来随机切分等于让模型在测试集里偷看了未来的数据测试误差会好看到失真属于典型的数据泄露。时间序列的正确拆分只有两种按时间比例切比如前 80% 训练、后 20% 测试或者按年份切比如 2010 到 2013 训练、2014 测试。这份代码的处理方式是前者具体实现是创建一个切分函数把序列按比例截断后再构造窗口样本n_train int(len(scaled) * 0.8) train_data, test_data scaled[:n_train], scaled[n_train:] def create_dataset(data, timesteps24): X, y [], [] for i in range(len(data) - timesteps - 1): X.append(data[i:i timesteps, :]) y.append(data[i timesteps, 0]) # 只预测 pm2.5它排在第 0 列 return np.array(X), np.array(y) X_train, y_train create_dataset(train_data, timesteps) X_test, y_test create_dataset(test_data, timesteps)create_dataset里的索引要格外小心循环从 0 到len(data) - timesteps - 1最后一个能构造完整窗口的合法位置是len(data) - timesteps - 1写错一位就会在取标签时越界报错。标签取data[i timesteps, 0]含义是用第 i 到 itimesteps-1 时刻的数据预测第 itimesteps 时刻的 pm2.5 浓度0 代表 pm2.5 在特征矩阵中排第一列。如果后面做多变量预测、要把预测量变成多个列这里也要同步改成对应的列索引。还有一个隐性细节LSTM 的输入样本必须沿时间顺序排列Keras 的 fit 默认不会打乱样本顺序所以这里不需要手动 shuffle。样本之间是有重叠的——第 i 个样本和第 i1 个样本共享 timesteps-1 个时刻的数据这种重叠是窗口滑动的正常结果不用刻意避免。超参数这块我用一张表总结方便你跑代码时对照调整参数合理区间建议起点调整方向timesteps24 ~ 7224欠拟合就增大训练慢就减小LSTM units32 ~ 12864过拟合就减小欠拟合就增大batch_size16 ~ 6432loss 振荡就增大epochs30 ~ 10050配合早停不单独调Adam 学习率0.0001 ~ 0.0010.001loss 发散就减小模型训练完下一步就是看 seriesShow.py 输出的图。很多人以为画图只是交作业的装饰品其实图和误差指标才是判断模型好坏的真正依据。4. 结果可视化seriesShow.py 的预测曲线和损失曲线怎么读4.1 预测对比图先分清「跟着走」和「真学会」的区别seriesShow.py 输出的第一张图通常是测试集上的真实值与预测值对比曲线。拿到图先别急着截图交作业先判断模型是真学到了周期性规律还是只是在「抄」上一个时刻的值。判断方法很直接把预测曲线整体向右平移一个时间步如果平移后和真实值高度重合说明模型基本是在复制 t-1 时刻的值这种情况在单步预测里非常常见尤其是数据平稳、相邻时刻相关性又高的时候。真正学到东西的模型在浓度快速上升和下降的拐点处会表现出一点「提前反应」或者至少是同步响应而不是死板地延迟一个周期。从实现看seriesShow.py 的核心绘制逻辑类似下面这段import matplotlib.pyplot as plt import numpy as np # 将预测结果从归一化空间还原成真实浓度 # 拼接方法预测的 pm2.5 列 测试集最后一个时间步的其余特征列 last_steps X_test[:, -1, 1:] # 除 pm2.5 外的特征列 pred_inv scaler.inverse_transform( np.concatenate([y_pred.reshape(-1, 1), last_steps], axis1) )[:, 0] true_inv scaler.inverse_transform( np.concatenate([y_test.reshape(-1, 1), last_steps], axis1) )[:, 0] plt.figure(figsize(12, 5)) plt.plot(true_inv, label真实 pm2.5, linewidth0.8) plt.plot(pred_inv, labelLSTM 预测, linewidth0.8, alpha0.8) plt.legend() plt.xlabel(时间步小时) plt.ylabel(PM2.5 浓度 (μg/m³)) plt.title(测试集真实值与预测值对比) plt.tight_layout() plt.savefig(prediction_result.png, dpi150)这里必须用inverse_transform还原浓度而不是直接画归一化后的曲线。还原时的拼接是一个容易出错的地方MinMaxScaler 是按多列 fit 的所以inverse_transform需要完整特征维度不能只对单列做。常见的做法是先取测试集每个样本最后一个时间步的其余特征列和预测的 pm2.5 列拼回去反变换后再取第一列。这种「先拼接、再还原、再取目标列」的写法是标准操作也是维度不匹配报错的高发区如果报形状错误优先检查拼接时列数是否和 fit 时的特征数一致。从图上读结论也有套路。如果预测曲线和真实曲线的波峰波谷位置基本对齐只是幅度有偏差说明模型学到了日周期规律差在精确度如果相位都对不上波峰乱跑说明窗口长度不够模型没看到足够的周期信息回去把 timesteps 从 24 调到 48 或 72 再试。还有一种情况是前几个预测点误差特别大后面慢慢跟上这在测试集开头通常是窗口冷启动导致的因为测试集第一个窗口之前的历史数据参与了训练窗口的构造边界效应属于正常现象报告里注明即可。4.2 损失曲线过拟合与欠拟合在图上的三个信号第二张图是训练过程的 loss 曲线包括训练集 loss 和验证集 loss 两条线。正常形状是两条线一起下降最终训练 loss 略低于验证 loss中间没有大的分叉。看到异常形状时按以下三个信号对号入座信号一是验证 loss 先降后升训练 loss 还在持续走低。这是过拟合的典型形状两条线像剪刀口一样在某个 epoch 后分开。解决手段按优先级排序是加大 Dropout、减小 LSTM 隐藏单元数、增加训练数据量、降低 epoch。如果代码里已经配了 EarlyStopping理论上训练会自动停在最佳点附近但restore_best_weights只有在 True 时才会回滚权重确认一下这个参数没被改成 False。信号二是两条线都平在高位下不去。这多半是学习率太大导致 loss 震荡或者归一化这步根本没做、数值量纲差异太大导致梯度被某一列主导。把 Adam 学习率降到 0.0005确认归一化已执行再重跑。如果重跑后还是平的检查是不是 validation_data 传错了把训练集传进验证位会让早停立刻触发损失曲线会停在一个高位下不来。信号三是 loss 曲线呈锯齿状剧烈抖动。前面提过batch_size 太小时梯度估计噪声大曲线就会抖。抖动但整体向下就不用管把 patience 调大抖动到看不出趋势就把 batch_size 加到 64。还有一个容易被忽略的原因数据里存在极端尖峰值比如传感器瞬时跳变到 999 的异常记录MSE 会对这些点给出超大梯度把曲线搅乱。回到预处理阶段看一眼数据分布必要时按 99% 分位数裁剪。4.3 误差指标RMSE 和 MAE 在 PM2.5 场景下什么量级算正常main.py 训练结束后会打印测试集上的 RMSE 和 MAE这两个指标的量级理解很重要直接关系到答辩时怎么解释模型效果。PM2.5 浓度范围是 0 到 500 μg/m³日常波动在 20 到 150 之间一个只预测均值的傻瓜模型MAE 大约在 40 到 60 之间。LSTM 做到 MAE 15 到 25、RMSE 25 到 40在小时级单步预测里就算合格做到 MAE 10 以下已经是相当好的结果通常意味着数据规律性强、特征工程做得到位。解释验收时要小心一个陷阱不要只报 RMSE 数字要给出参照系。比如「测试集 MAE 约 18相比均值基线 50 左右下降了六成以上」这种表述比孤零零一个数字有说服力得多。另一个低频但致命的翻车是把归一化后的误差当真实浓度报出来——归一化空间里的 0.1 对应真实浓度可能只有 20 左右数值小到看起来像是神级模型答辩现场一问就穿帮。打印指标时务必确认用的是inverse_transform还原后的预测值而不是模型直接输出的归一化结果。注意画图和误差计算必须基于同一份还原后的数据。如果图上的曲线是还原后的报告里的 RMSE 却是归一化空间的两者对不上这种情况在答辩时一眼就会被看出来。可视化和指标看完这份代码的正常使用流程就走通了。但实际运行时还有一批高频问题集中在环境配置、数据读取和结果异常上下面按踩坑记录的方式列出来。5. 避坑与排查LSTM 时序预测踩过的 6 个高频坑5.1 环境与数据读取安装、路径、解析三类翻车坑 1pip 装完 TensorFlow运行还是 ModuleNotFoundError现象按 README 执行 pip install tensorflow 后运行 main.py 报错ModuleNotFoundError: No module named tensorflow或者 keras 相关导入失败。 原因八成是当前终端激活的 Python 环境和 pip 安装时的环境不一致。Windows 上典型的情况是装了 Anaconda 又用系统 Python 在跑脚本pip 装到了 base 环境终端跑的却是另一个解释器。 解决在运行 main.py 的同一个终端里先执行python -c import tensorflow as tf; print(tf.__version__)确认导入路径一致。建议建独立环境conda create -n lstm python3.8然后pip install tensorflow2.10。这个版本组合在 CPU 机器上最稳也是这套代码大概率匹配的 API 版本。不要盲目装最新版很多老代码用的是 TF 2.x 中期的接口新版删掉一些函数后会报 AttributeError。坑 2read_csv 读 raw.csv 报错或者时间列解析错乱现象pd.read_csv(raw.csv)能读但打印出来的年月日小时列顺序不对或者 parse_dates 参数直接报错。 原因原始 csv 的表头、分隔符和代码预期不一致。比如有的版本用逗号、有的用分号或者第一行不是表头或者列名带空格。 解决先执行pd.read_csv(raw.csv, nrows5)打印前五行确认列名和分隔符。列名带空格就在读取时加skipinitialspaceTrue分隔符不对就把 sep 参数改成实际字符如果时间列缺失退回用 year/month/day/hour 四列手动拼 datetime不依赖 parse_dates 一步到位。5.2 训练过程loss 异常和收敛异常坑 3loss 训练几步就变成 nan现象模型刚开始训练loss 从正常值直接跳到 nan之后一路 nan 到结束。 原因最常见是数据里还有 nan 没洗干净其次是学习率偏大导致梯度爆炸少见于数值溢出——没有归一化时气压列上千的数值直接进入激活函数饱和区计算过程中产生 inf。 解决按三步排查先df.isnull().sum()确认无缺失再确认归一化已经在训练前执行最后把 Adam 学习率从 0.001 降到 0.0001 看是否恢复。九成 nan 问题出在前两步。如果数据里有个别极端值按 99% 分位数裁剪掉也能缓解。坑 4训练能跑完但预测曲线几乎是一条水平线现象训练正常结束loss 也降下来了但打开对比图预测曲线基本是平的所有预测值挤在一个窄区间内。 原因典型原因是归一化后忘记做inverse_transform预测值停留在 0 到 1 的归一化空间画出来当然像一条压扁的线另一种可能是窗口长度太小比如 timesteps 只有 1 到 3模型没有看到任何周期信息只能输出均值。 解决先检查预测还原链路确认预测值量级和真实浓度一致比如预测均值落在 20 到 100 这个区间再检查 timesteps 是否至少覆盖一个完整周期小时级数据建议 24 起步。两条都确认过还是平的检查是不是把 validation_data 传成了训练集这种手误会让早停立刻触发模型根本没学充分。5.3 结果解读与展示滞后、乱码和模型搬运坑 5预测曲线比真实曲线整体滞后一个时间步现象打开对比图预测曲线和真实曲线形状几乎一样但整体向右偏移波峰波谷对不上。 原因单步预测的本质是用过去窗口预测下一时刻模型学到的最优策略往往就是「复制最近的观测值」因为相邻时刻的 PM2.5 高度相关复制是最小化 MSE 的捷径。这是时序预测模型的已知倾向由数据本身的序列相关性决定不算 bug。 解决第一步先确认滞后程度——把预测曲线左移一小时如果和真实值重合就是典型的复制行为。第二步改用滚动多步预测或直接预测未来更远的时间点模型被迫预测 6 小时甚至 24 小时后的浓度复制策略失效滞后现象会明显缓解。也可以在特征序列里暂时去掉最近时刻的 pm2.5 值强迫模型依赖更早的历史信息。这条改动做完效果是否质变本身也是答辩时很好的讨论素材。坑 6matplotlib 图里中文全部变成方块现象seriesShow.py 画的图标题和图例里凡是中文都显示成豆腐块。 原因matplotlib 默认字体不包含中文字形Windows、Linux、Mac 的行为各不相同Linux 服务器上尤其常见。 解决在绘图脚本开头强制指定中文字体标准写法是plt.rcParams[font.sans-serif] [SimHei]同时配plt.rcParams[axes.unicode_minus] False解决负号乱码。Linux 服务器没有 SimHei 就改成WenQuanYi Zen Hei或Noto Sans CJK SC都没有就把图例改成英文这是最省事的兜底。避坑这一章列的现象都是我实际跑这类 LSTM 作业代码时真实遇到的按出现频率排序环境问题排第一、数据泄露排第二。代码跑通之后如果想让它从「能交作业」变成「能讲出东西」下面这个改造方向值得试试。6. 进阶改造从单步预测到滚动多步预测与模型验证代码跑通只是第一步答辩和二次开发更看重你能不能改。我个人最推荐的一个改造方向是把单步预测改成滚动多步预测模型一次只预测下一步然后把预测值拼回输入窗口末尾、丢掉窗口最前面的旧值循环迭代得到未来 6 到 24 小时的预测序列。这个改造的代码量很小但讲解空间很大核心是下面这段循环def rolling_forecast(model, last_window, scaler, steps24): results [] window last_window.copy() for _ in range(steps): pred model.predict(window[np.newaxis, :, :], verbose0) next_val pred[0, 0] results.append(next_val) window np.roll(window, shift-1, axis0) window[-1, 0] next_val # 预测值回填到 pm2.5 列其余列沿用最后观测 return np.array(results).reshape(-1, 1)这段代码有两个值得展开的细节。np.roll把窗口整体前移一格模拟时间推进最前面的旧时刻被丢弃最后一行空出来放新值预测值只回填到 pm2.5 列其余特征列沿用最近一次观测值因为未来时刻的气温、气压本身也是未知的。这种「已知特征用实测、未知特征用回填」的处理方式是滚动预测里最实用的近似也是和单步预测拉开差距的关键——误差会随着预测步数累积你可以在报告里画出误差随 horizon 增长的曲线这是单步预测给不了的内容。验证方法上我习惯把测试集最后一个窗口的实测值单独拿出来做滚动预测再和后续真实浓度画在同一张图上这样能直观看清 6 小时、12 小时、24 小时三个预测步长的误差累积情况。误差随步长增大是正常现象画图时把 horizon 标注在每条曲线旁边解释起来非常有说服力。如果 24 步滚动预测的误差和单步预测差不多那反而要怀疑是不是数据泄露了比如预测目标被意外包含在特征里。模型保存和加载也建议顺手验证一遍训练阶段 ModelCheckpoint 保存的 best_model.h5用load_model加载后重新 predict 一次和训练结束时的预测结果对比数值一致才说明保存链路没坏。从那以后我每次跑时序作业都会强制走一遍「训练 → 保存 → 加载 → 复跑预测 → 画图」的完整闭环确认最优权重真的落到了磁盘上而不是只在内存里这个习惯帮我拦下了不少答辩前夜的突发翻车。这份 PM2.5 的 LSTM 代码包从数据清洗到滚动预测的完整链路都在里面希望这些拆解能帮你在课设和毕设路上少走几步冤枉路。本文还有配套的精品资源点击获取