简介：基于LSTM的时间序列预测Python项目，包含完整源码与全部数据，定位为期末大作业、课程设计及入门深度学习的高分参考。项目以空气污染监测数据为实例，完整覆盖时间序列预测的各个环节，包括数据读取与清洗、缺失值填充、归一化、滑动窗口构造、LSTM模型搭建、训练验证、误差评估及预测曲线绘制，代码注释细致，逻辑清晰，简单配置环境即可运行，并可迁移到金融、气象、能耗等时序场景。压缩包共129个文件，以78个py源码脚本为主体，按数据预处理、模型构建、训练评估等模块组织，配套26个csv数据文件、16个txt说明/日志文件，另有h5模型权重与checkpoint训练断点等产物，整体大小仅5.42MB，文件划分清晰，便于按模块查阅。项目自带多份观测数据，可直接用于对比实验，提升结题报告的完整性。目前已有169人浏览学习，尤其适合需要快速完成高质量大作业或从零理解LSTM时序预测流程的开发者。
1. 基于LSTM的时间序列预测：能跑通、能看懂、能交付的资源包
期末大作业最怕的不是模型训练不出来，而是训练出来之后，老师一问“你这预测的原理是什么、参数为什么这么设、数据是怎么喂进去的”，当场卡壳。这份基于LSTM的时间序列预测资源，源码和数据是配齐的，空气质量污染数据有两份原始文件加一份清洗后的新文件，checkpoint 文件夹里还有训练过程中保存的模型权重。也就是说，下载之后不需要自己重新训练就能先看到预测效果，再对照代码把数据处理、模型搭建、训练保存这一整条链路啃下来。适合正在做期末大作业、课程设计，或者第一次接触 LSTM 想拿真实数据练手的开发者——不需要懂复杂的数学推导，能跟着代码走通流程，就能在答辩时说清楚每一个环节的取舍。
2. 数据与预处理：pollution.csv 多变量序列如何变成监督学习样本
2.1 数据文件里到底有什么
先把资源里的文件过一遍。pollution.csv 和 air_pollution.csv 是原始的多变量空气质量数据，字段包含时间、污染浓度指标以及若干气象特征，属于典型的多变量时间序列。air_pollution_new.csv 是清洗后的版本，通常已经完成了缺失值处理，时间列也做了规范化，适合直接喂给模型。checkpoint 文件夹里存的是训练中按 epoch 保存的权重文件，格式是 TensorFlow 的 .index 和 .data 组合，后面加载模型时会用到。
拿到这种资源，第一步不是急着跑模型，而是先用 pandas 把数据读进来，看结构、看缺失、看时间跨度。
import pandas as pd df = pd.read_csv('pollution.csv', parse_dates=['date'], index_col='date') print(df.head()) print(df.shape) print(df.isnull().sum())逻辑说明：parse_dates 把日期列解析成 datetime 类型，index_col 把日期设为索引，便于后续按时间切片。isnull().sum() 统计每一列的缺失数量，决定后面用删除还是填充。
参数说明：如果原始数据的时间列名不是 date，需要改成实际列名；如果读取后时间索引是乱的，加一步 df.sort_index()。这一步不做好，后面构造滑窗序列时时间顺序会错位，预测结果全偏。
2.2 缺失值处理与归一化
LSTM 对输入数据的尺度非常敏感，因为激活函数（默认 tanh 和 sigmoid）的敏感区间在 0 附近，原始污染数据动不动就是几百的数值，直接喂进去会让梯度更新不稳定。所以归一化是必须的，不是可选项。
from sklearn.preprocessing import MinMaxScaler # 按列填充缺失值，用前向填充 df.fillna(method='ffill', inplace=True) df.dropna(inplace=True) # 选择特征列，这里取全部数值列 values = df.values.astype('float32') scaler = MinMaxScaler(feature_range=(0, 1)) scaled = scaler.fit_transform(values)逻辑说明：ffill 用上一个有效值填充缺失，适合时间序列场景，比均值填充更符合数据连续性。MinMaxScaler 把每列压缩到 0~1 区间，fit_transform 先拟合再转换。注意，fit 只能用训练数据做，不能在整个数据集上 fit 完再切训练测试集，否则会有数据泄漏。
参数说明：如果序列有长时间缺失，ffill 会造成一段平坦区，LSTM 会在这一段学习到“输出等于上一个值”，严重影响预测。遇到这种数据，我一般会把连续缺失超过 5 个时间点的片段直接裁掉。feature_range 也可以试 (0.1, 0.9)，让边界留一点余量，对 tanh 激活更友好。
2.3 滑窗构造：把时间序列变成监督学习样本
LSTM 不能直接吃一维时间序列，它需要的是形如 (样本数, 时间步长, 特征数) 的三维输入。滑窗（lookback）的思想是用前 N 个时间点的数据预测第 N+1 个时间点的目标值。
import numpy as np def create_dataset(data, lookback=3): X, y = [], [] for i in range(len(data) - lookback): X.append(data[i:i+lookback, :]) y.append(data[i+lookback, :]) return np.array(X), np.array(y) lookback = 3 X, y = create_dataset(scaled, lookback) print(X.shape, y.shape)逻辑说明：循环里 data[i:i+lookback, :] 取从 i 开始的 lookback 行、全部特征列，作为输入样本；data[i+lookback, :] 取紧接着的那一行作为目标。滑动窗口每次向后移动一个时间点，所以样本总数等于 len(data) - lookback。
参数说明：lookback 取 3 表示用过去 3 个小时预测下一个小时。这个值直接决定模型能看到多长的历史信息，取太小模型学不到趋势，取太大训练样本减少、计算量增大。空气质量这种数据，我一般先用 3 作为基线，再试 5 和 10。如果你想预测的目标不是全部特征而是单一列（比如只预测 pm2.5），构造时把 y 改成 data[i+lookback, target_index] 即可。
数据切分要注意顺序问题。时间序列不能随便随机打乱，训练集和测试集必须按时间顺序切，否则模型会在测试集上“提前见过未来”。常见做法是前 80% 做训练、后 20% 做测试，切完后再分别做归一化重拟合。
train_size = int(len(X) * 0.8) X_train, X_test = X[:train_size], X[train_size:] y_train, y_test = y[:train_size], y[train_size:] print(X_train.shape, X_test.shape)逻辑说明：按索引顺序切分，保证训练集时间在前、测试集时间在后。这一步是时间序列预测和普通分类任务的本质区别，普通分类可以随机划分，时间序列不行。
参数说明：80/20 是基线比例。如果总数据量很小，可以上调到 90/10；数据量非常大时，也可以留出最后 30% 做验证，让测试结果更有说服力。切分之后如果发现测试集落在某个异常时段，预测误差会偏大，这属于正常现象，答辩时能解释清楚就行。
3. LSTM 模型构建与训练：层参数、损失函数与 checkpoint 策略
3.1 为什么选 LSTM 而不是普通神经网络
空气质量预测这种数据，当前时刻的污染浓度和过去几个小时的变化趋势强相关，比如凌晨污染积累、白天扩散，这种时间依赖性用普通全连接网络很难捕捉，因为它把每个时间点当成独立样本处理。RNN 能保留历史信息，但标准 RNN 在长序列上会有梯度消失问题，记不住太久之前的信息。LSTM 通过输入门、遗忘门、输出门三个门控结构，让信息可以选择性保留或丢弃。
在这份资源里，数据文件有多变量特征，模型要学的是“过去几小时的多个指标如何影响未来值”这种映射关系。LSTM 的记忆单元天然适合这种任务，这也是期末大作业选它而不是 ARIMA 或普通 MLP 的原因——ARIMA 对多变量支持弱，MLP 没有时间结构。
3.2 模型结构与参数设置
from tensorflow.keras.models import Sequential from tensorflow.keras.layers import LSTM, Dense, Dropout from tensorflow.keras.callbacks import EarlyStopping, ModelCheckpoint model = Sequential() model.add(LSTM(units=50, return_sequences=True, input_shape=(X_train.shape[1], X_train.shape[2]))) model.add(Dropout(0.2)) model.add(LSTM(units=50, return_sequences=False)) model.add(Dropout(0.2)) model.add(Dense(units=X_train.shape[2])) model.compile(optimizer='adam', loss='mse', metrics=['mae']) model.summary()逻辑说明：第一层 LSTM 设置了 return_sequences=True，因为后面还接了一层 LSTM，需要把完整的序列输出传给下一层；最后一层 LSTM 的 return_sequences=False，只返回最后一个时间步的输出，再接全连接层映射到目标维度。两个 Dropout 层分别跟在 LSTM 层后面，随机丢弃 20% 的神经元，抑制过拟合。Dense 的输出维度等于特征数，因为当前构造的目标是预测下一时刻的全部特征值。
参数说明：units=50 是基线设置，比 32 有更强的拟合能力，又不会像 128 那样容易在少量数据上过拟合。loss 用 mse 是因为预测值是连续数值，均方误差对大误差惩罚更重，模型会更关注偏离大的点。metrics 里的 mae 用于训练过程中监控平均绝对误差，方便和后面的评估统一口径。如果你想只预测单一目标列，Dense 输出改成 1，y 也要对应改成单列。
3.3 训练、早停与模型保存
checkpoint = ModelCheckpoint( 'checkpoint/lstm_model.keras', monitor='val_loss', save_best_only=True, verbose=1 ) early_stop = EarlyStopping( monitor='val_loss', patience=10, restore_best_weights=True ) history = model.fit( X_train, y_train, validation_split=0.1, epochs=100, batch_size=32, callbacks=[checkpoint, early_stop], verbose=1 )逻辑说明：ModelCheckpoint 在每轮 epoch 结束后检查验证集损失，如果比之前最好的结果更好，就覆盖保存模型文件。EarlyStopping 在连续 10 轮验证损失都没有下降时终止训练，并恢复到验证损失最小的那轮权重。这两个回调组合起来，既能防止训练时间过长，又能保证最后保存的是最优模型而不是最后一轮模型。
参数说明：validation_split=0.1 表示从训练数据尾部切 10% 做验证集，注意这里是在已经切分过的训练集基础上再切，不会破坏前面的时间顺序。batch_size=32 是显存和训练速度的平衡点，数据量小可以降到 16。patience=10 给模型 10 次“试探”机会，太小容易在损失局部波动时提前停止，太大会浪费时间。epochs=100 配合早停实际跑多少轮取决于数据，一般 30~50 轮就能收敛。
训练完成后，checkpoint/lstm_model.keras 里就是最优权重的模型文件。这份资源自带 checkpoint 文件夹的好处是，你可以跳过训练直接加载权重看预测效果，也可以重新训练覆盖旧权重——两种路径都能验证整个流程。
4. 预测结果还原与评估：反归一化、RMSE 与绘图对照
4.1 预测值必须反归一化
模型输出的是 0~1 区间的归一化值，直接拿来和原始浓度对比没有意义。必须用之前拟合好的 scaler 的 inverse_transform 把预测值和真实值还原到原始量纲。
y_pred = model.predict(X_test) y_pred_orig = scaler.inverse_transform(y_pred) y_test_orig = scaler.inverse_transform(y_test)逻辑说明：scaler 在训练前用整份数据 fit 过，inverse_transform 按列还原到原始数值范围。这里要求 X_test 和 y_test 的特征排列顺序和训练数据完全一致，否则还原结果错位。
参数说明：如果前面构造数据集时只预测单一目标列，反归一化就不能直接用整列的 scaler，要单独对目标列做 scaler 的 inverse_transform，或者把预测值拼到其他特征的均值再整体还原，取目标列。这个细节容易忽略，很多同学直接对全量特征归一化后又只取单列预测，结果还原出来完全不对。
4.2 评估指标计算
from sklearn.metrics import mean_squared_error, mean_absolute_error import numpy as np rmse = np.sqrt(mean_squared_error(y_test_orig[:, 0], y_pred_orig[:, 0])) mae = mean_absolute_error(y_test_orig[:, 0], y_pred_orig[:, 0]) print(f'RMSE: {rmse:.2f}, MAE: {mae:.2f}')逻辑说明：这里取了第 0 列做单指标评估，通常是主污染浓度指标。RMSE 对大误差敏感，能反映预测是否有严重偏离；MAE 更稳健，反映平均偏差水平。两个指标一起看，如果 RMSE 远大于 MAE，说明存在少数预测误差非常大的点。
参数说明：评估指标要根据任务选，如果是期末答辩，RMSE 和 MAE 两个就够。老师如果问“这个误差水平能不能接受”，要结合数据本身的量级回答——比如原始浓度平均在 100 左右，RMSE 30 就是可解释的误差水平；如果平均浓度才 20，RMSE 30 就说明模型基本没学到东西。
4.3 预测曲线与真实曲线可视化
import matplotlib.pyplot as plt plt.figure(figsize=(12, 5)) plt.plot(y_test_orig[:, 0], label='Real', linewidth=1.5) plt.plot(y_pred_orig[:, 0], label='Predicted', linewidth=1.5) plt.legend() plt.title('LSTM Air Quality Prediction') plt.xlabel('Time Steps') plt.ylabel('Pollution Concentration') plt.show()逻辑说明：用两条曲线对比真实值和预测值，走势重合度直接反映模型效果。如果预测曲线滞后真实曲线一个时间步，说明模型学到的主要是“下一个值等于当前值”的恒等映射，这是时间序列预测最常见的问题。
参数说明：plt.figure 的 figsize 按论文要求调整，答辩展示建议 (12, 5) 以上保证清晰。如果预测的是多个特征，可以循环画多个子图，每个特征一张对比图。
绘图这一步是期末作业的加分项，比贴一堆数值指标更直观。老师看到曲线重合度高、训练损失曲线平滑下降，整个作业的完成度就立住了。
5. 常见问题与避坑：五个让期末大作业翻车的细节
5.1 预测曲线整体滞后一个时间步
现象：预测曲线形状和真实曲线几乎一样，但整体向右平移了一个时间点，RMSE 数值看着还行，但图上一眼就能看出错位。
原因：模型学到的最优策略是“当前值 ≈ 上一时刻值”。当 lookback 太小、序列本身没有明显趋势时，预测均值回归到上一个观测值，这在数学上确实是低误差策略，但没有实际预测价值。
解决：增大 lookback，让模型依赖更多历史信息；同时检查数据是否真的存在时间依赖，如果序列接近随机游走，LSTM 能做的就是滞后预测。答辩时主动说明这一点，反而显得对模型行为有深入理解。
5.2 归一化泄漏导致测试集指标虚高
现象：测试集上 RMSE 低得离谱，但换一批数据重新跑就完全不准。模型表现出“记忆测试集”的倾向。
原因：在切分训练测试集之前就对全量数据做了 scaler.fit_transform，scaler 已经看过测试集的统计信息，等于测试数据信息提前进入了训练环节。
解决：先切分，再对训练集 fit，然后用训练集的 scaler 转换测试集。也就是 scaler.fit(X_train_raw) 之后，再分别 transform 训练集和测试集。这是时间序列预测最容易踩的坑，没有之一。
5.3 每个 epoch 的损失曲线剧烈震荡
现象：训练时 loss 忽高忽低，前 10 轮不降反升，后面的曲线像锯齿一样。
原因：学习率太大导致梯度更新在最优解附近来回振荡；或者数据没有做归一化，损失曲面过于陡峭。batch_size 太小也会让梯度估计噪声增大。
解决：把默认学习率从 0.001 降到 0.0005，或者换用更稳定的优化器设置；确认归一化步骤真实生效，打印一下 scaled 数组的最大最小值应该在 0~1 之间；batch_size 提到 64 试试，很多数据集上反而比 32 收敛更稳。
5.4 checkpoint 加载后预测结果全是同一个值
现象：加载保存的模型后，预测输出几乎恒定，所有预测值都接近某个固定数。
原因：加载模型时输入形状和保存时不匹配，或者模型是从头重新定义的，但没有 rebuild input shape。另一种常见情况是，加载的权重来自训练初期，模型还没收敛。
解决：在预测前用 model.build(input_shape) 重建模型输入形状，或者直接 model.predict 前打印 model.summary() 检查输入维度。再确认加载的文件是 save_best_only 保存的最优权重，而不是最后一次保存的高 loss 权重。
5.5 每次运行结果都不一样，无法复现
现象：同一个文件、同一个模型，两次运行预测结果有差异，连 loss 曲线都不同。
原因：神经网络初始化随机、训练数据顺序随机、Dropout 随机丢弃，这些随机性没有固定种子，每次运行都会产生新的随机序列。
解决：在代码开头固定随机种子，TensorFlow 和 NumPy 都要设置。
import random import numpy as np import tensorflow as tf random.seed(42) np.random.seed(42) tf.random.set_seed(42)逻辑说明：固定三个库的随机种子，保证训练过程的随机数序列一致。这样即使有 Dropout，随机丢弃的模式也是可复现的。参数说明：种子值选什么都可以，只要全代码一致。如果用了 GPU，还需要在代码开头设置环境变量 TF_DETERMINISTIC_OPS=1，否则不同硬件设备上的结果仍然有细微差异。
6. 进阶用法：多步预测与超参数验证的小技巧
前面的流程默认是“用过去 3 小时预测未来 1 小时”的单步预测，这在学校作业里通常够用了。但如果想让项目再往上走一个台阶，可以试试多步预测——用过去 N 步预测未来 M 步，这更贴近真实场景，也在答辩时更有讨论空间。常见做法有两种：递归预测和直接预测。递归预测是把模型的单步输出拼回输入窗口，再预测下一步，代码改动小，但误差会逐步累积，预测越远越偏。直接预测是把 Dense 层的输出维度改成 M，一次输出未来 M 个时间点，训练时 y 的构造需要对应改成“从 i+lookback 到 i+lookback+M-1”的区间，误差不累积，但训练样本构造更复杂。
我做这类作业的习惯是，先跑通单步预测，确认数据和模型链路都没问题，再尝试递归多步。原因很简单：如果单步预测的滞后问题都没解决，多步预测只会把误差放大得更严重。
超参数验证方面，有一个成本很低的顺序。先固定 lookback=3、units=50，跑一遍拿到基线 RMSE。然后只改 lookback 试 5 和 10，记录指标变化。再固定表现最好的 lookback，把 units 改成 64 和 128，看模型容量增加带来的收益是否值得训练时间的增加。最后微调 dropout 从 0.2 到 0.3。每次只改一个参数，否则两个参数同时变动，你根本不知道是哪一个起了作用。
# 递归多步预测示例代码 def recursive_predict(model, last_window, steps=5): predictions = [] current_input = last_window.reshape(1, last_window.shape[0], last_window.shape[1]) for _ in range(steps): next_val = model.predict(current_input, verbose=0) predictions.append(next_val[0]) current_input = np.concatenate([current_input[:, 1:, :], next_val[:, np.newaxis, :]], axis=1) return np.array(predictions)逻辑说明：每次预测出下一个时间点的所有特征，然后把它拼接到输入窗口末尾，同时丢掉窗口最前面的一个时间点，窗口长度保持不变。concat 的 axis=1 是时间步维度，表示向后滑动一个时间步。参数说明：steps 决定预测多远，建议先从 5 步开始，超过 10 步递归误差会明显累积。
这套资源的 checkpoint 文件对调试特别有用。训练一次之后，后面每次调整评估代码，都可以直接加载保存好的权重，不用重新训练几十轮。从那以后我每次做这类多变量序列预测，都会强制自己在写模型之前先把数据检查和归一化泄漏排查一遍，这两个地方出问题，后面所有环节都会跟着翻车。希望帮到你。
本文还有配套的精品资源，点击获取
