LSTM时间序列预测Python源码实现：从原理到调参实战

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：

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 ndim=3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_back=7): 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_back=7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(f'train 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_sequences=True, input_shape=(look_back, 1)), Dropout(0.2), LSTM(32, return_sequences=False), Dropout(0.2), Dense(1) ]) model.compile(optimizer='adam', loss='mse', 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( monitor='val_loss', patience=15, restore_best_weights=True ) history = model.fit( X_train, y_train, validation_data=(X_test, y_test), epochs=200, batch_size=32, callbacks=[early_stop], verbose=1 )

monitor='val_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_weights=True，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_size=32是折中值，数据量小可以降到 16。epochs=200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(f'RMSE: {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 ndim=3, found ndim=2”：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.fit，LSTM 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t+1，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_back=7, horizon=3): 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_back=7, horizon=3) X = X.reshape((X.shape[0], X.shape[1], 1)) model = Sequential([ LSTM(64, return_sequences=True, input_shape=(look_back, 1)), Dropout(0.2), LSTM(32, return_sequences=False), 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_back=7): 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：

1. 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。
2. 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。
3. 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：

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 png：

import 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, label='LSTM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', dpi=200)

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