时间序列预测七模型实战：LSTM、GRU、CNN+LSTM 对比与避坑指南

简介：这份资源面向希望系统入门时间序列预测的开发者与学习者，围绕同一类预测任务，横向对比BP神经网络、CNN、LSTM、GRU、RNN、SVM以及CNN+LSTM混合模型等多种建模思路，帮助读者理解不同网络结构在时序数据上的适用场景与效果差异。压缩包共25个文件，以9个Python脚本为核心，配合10个CSV、3个XLSX数据文件及TXT、JSON、PKL等辅助文件，整体约5.08MB，脚本与数据按模型分目录组织，便于逐个运行与对照实验。内容覆盖上车测试与训练数据、月度太阳黑子等典型时序数据集，既有单模型实现，也有CNN与LSTM的融合结构，可用来练习数据读取、特征构造、模型搭建与预测评估的完整流程。目前已有1177人学习，适合作为课程设计、入门练手或算法对比实验的参考素材。

1. 从一份时间序列预测学习包说起：七种模型同台，到底该怎么跑

很多人做时间序列预测，第一步就卡在“模型选型”上——业务方丢过来一份带时间戳的销量表或者传感器数据，要求下周给个预测结果，你打开搜索引擎，满屏都是 LSTM、GRU、Transformer，到底用哪个？这份「时间序列预测学习」资源包的价值就在这：它把 BP、CNN、LSTM、GRU、RNN、SVM 以及 cnn+lstm 混合结构这七种常见方案，各自配了一份可运行的数据和脚本，放在同一个压缩包里。你不用再东拼西凑找 demo，解压之后每个文件夹就是一个独立的最小可复现单元。适合谁？刚接触时序预测、想快速把各模型跑通对比一遍的开发者；也适合已经用过 LSTM 但没试过 cnn+lstm 混合结构、想看看特征提取层加进去到底有没有提升的熟手。包里数据分两类：一类是上车测试/训练数据（xlsx 格式，偏业务场景），一类是 Monthly Sunspots.csv（经典太阳黑子数据集，偏教学验证）。两条线并行，方便你既看业务数据表现，也看标准数据集上的收敛情况。

2. 拆包看结构：七套脚本各自吃什么数据、吐什么结果

2.1 目录映射与数据格式对照

解压之后不要急着跑，先把目录和数据格式对一遍。这个包的结构不是统一框架，而是按模型分文件夹各自为政，所以每个子目录的入口脚本、数据路径、依赖都不一样。下面这张表是我实际拆包后整理的对应关系，跑之前先确认你手上有没有对应的数据文件。

这张表的核心信息是：数据格式不统一。LSTM 和 SVM 走 xlsx，GRU 走 csv，cnn+lstm 走 mini_data 自定义格式。这意味着你不能指望一个数据加载函数通吃所有脚本，每个文件夹都得单独看它的 read 逻辑。常见做法是先把 xlsx 用 pandas 读进来，确认列名和时间列，再决定要不要转成 csv 统一管理。

2.2 各脚本的输入输出约定

以 LSTM 为例，LSTM模型.py默认读取同目录下的上车训练数据.xlsx和上车测试数据.xlsx。你需要确认两件事：时间列是哪一列、预测目标列是哪一列。很多新手直接跑，报KeyError，就是因为脚本里写死的列名和你数据里的列名对不上。

import pandas as pd # 读取训练数据，先看列名和形状 train_df = pd.read_excel('上车训练数据.xlsx') print(train_df.columns.tolist()) print(train_df.shape) print(train_df.head()) # 常见坑：时间列可能是字符串，需要转成 datetime # train_df['时间列名'] = pd.to_datetime(train_df['时间列名']) # train_df = train_df.sort_values('时间列名').reset_index(drop=True)

这段代码的作用是“先侦察再动手”。参数说明：pd.read_excel的sheet_name默认是第一个 sheet，如果你的数据在第二个 sheet，要显式指定。sort_values那行注释很关键——时序数据必须按时间排序，否则 LSTM 学到的顺序是乱的，loss 会莫名其妙地震荡，这种玄学问题十有八九是排序没做。

GRU 那边走的是Monthly Sunspots.csv，这个数据集列少、干净，适合先跑通流程再换业务数据。GRU_Sunspots.py里通常会做归一化和滑动窗口构造，窗口大小（lookback）是个关键参数，后面单独讲。

SVM 这套稍微特殊，read_data.py负责读20180829.xlsx并做特征工程，svmprediction.py负责建模预测。SVM 做时序预测的思路是把历史若干步拼成特征向量，然后当回归问题解。它的优势是小样本下不容易过拟合，劣势是窗口一大特征维度爆炸，训练时间直线上升。

cnn+lstm 这套是包里结构最完整的：mini_data放数据，data_helper.py做批处理和窗口构造，cnn_lstm.py定义网络。CNN 层负责从局部窗口里提特征，LSTM 层负责学时序依赖，这个组合在不少时序任务上确实比纯 LSTM 稳。但它的数据管道是自定义的，你得先读懂data_helper.py里的__init__.py和mini_build相关逻辑，才能把自有数据塞进去。

3. 把 LSTM 和 GRU 跑起来：窗口构造、归一化与训练参数

3.1 滑动窗口构造：lookback 到底设多少

时序预测和普通回归最大的区别在于，样本不是独立同分布的，而是用过去 N 步预测未来 M 步。这个 N 就是 lookback（回看窗口）。设太小，模型看不到足够的历史模式；设太大，噪声被放大，训练也慢。我一般会先看数据的周期性：如果数据有明显的 7 天周期，lookback 至少设 14；如果是月度数据，lookback 设 12 或 24。

import numpy as np def make_windows(series, lookback=24, horizon=1): """ series: 一维归一化后的序列 lookback: 回看步数 horizon: 预测未来第几步 返回: X shape (样本数, lookback, 1), y shape (样本数,) """ X, y = [], [] for i in range(len(series) - lookback - horizon + 1): X.append(series[i:i+lookback]) y.append(series[i+lookback+horizon-1]) X = np.array(X).reshape(-1, lookback, 1) y = np.array(y) return X, y

逻辑说明：循环从 0 到len(series)-lookback-horizon+1，每次取 lookback 长度的窗口作为输入，取窗口后第 horizon 个点作为标签。reshape(-1, lookback, 1)是为了适配 LSTM 的输入格式(batch, timesteps, features)。参数怎么改：horizon=1 是单步预测，改成 3 就是预测未来第三步；lookback 根据数据周期调整。注意归一化要在构造窗口之前做，而且要用训练集的最大最小值去归一化测试集，不能各自归一化，否则信息泄露，测试集表现会虚高。

3.2 LSTM 模型搭建与训练参数

LSTM模型.py里的网络结构一般不会太复杂，常见是两层 LSTM 加一个全连接输出。但有几个参数直接决定你能不能跑出合理结果。

from tensorflow.keras.models import Sequential from tensorflow.keras.layers import LSTM, Dense, Dropout from tensorflow.keras.optimizers import Adam model = Sequential([ LSTM(64, return_sequences=True, input_shape=(lookback, 1)), Dropout(0.2), LSTM(32, return_sequences=False), Dropout(0.2), Dense(1) ]) model.compile(optimizer=Adam(learning_rate=0.001), loss='mse') history = model.fit(X_train, y_train, epochs=100, batch_size=32, validation_split=0.1, verbose=1)

参数说明：第一层 LSTM 的return_sequences=True是为了把序列传给第二层 LSTM，如果只有一层 LSTM，这行可以去掉。Dropout(0.2)是防过拟合的，数据量小的时候可以加到 0.3。learning_rate=0.001是 Adam 的常用起点，如果 loss 下降太慢可以调到 0.005，如果震荡就降到 0.0005。batch_size=32不是固定的，样本少就设 16 甚至 8。validation_split=0.1是从训练集尾部切 10% 做验证，注意时序数据不能随机切验证集，必须按时间顺序切，否则又是信息泄露。

GRU 的脚本结构类似，把LSTM换成GRU即可，参数量会少一些，训练速度通常快 20% 到 30%。在 Monthly Sunspots 这种数据量不大的场景下，GRU 和 LSTM 的最终误差往往差不多，但 GRU 收敛更快。我的习惯是：先跑 GRU 快速验证数据管道和窗口设置对不对，确认没问题再换 LSTM 精调。

3.3 训练过程怎么看：loss 曲线与早停

跑起来之后不要只盯着最后那个 MSE 数字。训练过程中要看两个东西：训练 loss 和验证 loss 的差距、验证 loss 是否开始上升。如果训练 loss 一直降但验证 loss 在某个 epoch 后开始涨，说明过拟合了，这时候要么加 Dropout，要么减模型容量，要么早点停。

from tensorflow.keras.callbacks import EarlyStopping early_stop = EarlyStopping(monitor='val_loss', patience=10, restore_best_weights=True) history = model.fit(X_train, y_train, epochs=200, batch_size=32, validation_split=0.1, callbacks=[early_stop], verbose=1)

patience=10的意思是验证 loss 连续 10 个 epoch 没改善就停，restore_best_weights=True会恢复到验证 loss 最低那个 epoch 的权重。这个回调能帮你省掉手动调 epoch 数的麻烦，也是避免过拟合的后悔药。注意monitor默认是val_loss，如果你自己切了验证集，要改成对应的 key。

4. cnn+lstm 混合结构：CNN 提特征、LSTM 学依赖，怎么接才不翻车

4.1 混合结构的连接方式与维度对齐

cnn+lstm 的核心思路是：先用一维卷积在时间轴上滑动，提取局部模式（比如连续几天的突增突降），再把卷积输出的特征序列喂给 LSTM 学长期依赖。这个结构在不少时序任务上比纯 LSTM 效果好，因为 CNN 层相当于自动做了特征工程。

但连接的时候最容易翻车的地方是维度。Conv1D 的输出是(batch, new_timesteps, filters)，LSTM 需要的是(batch, timesteps, features)。如果卷积的 stride 和 padding 没设好，new_timesteps会变，LSTM 的input_shape就对不上。

from tensorflow.keras.layers import Conv1D, MaxPooling1D, LSTM, Dense, Flatten from tensorflow.keras.models import Sequential model = Sequential([ Conv1D(filters=32, kernel_size=3, activation='relu', input_shape=(lookback, 1)), MaxPooling1D(pool_size=2), Conv1D(filters=64, kernel_size=3, activation='relu'), LSTM(50, return_sequences=False), Dense(1) ]) model.compile(optimizer='adam', loss='mse') model.summary()

逻辑说明：第一层 Conv1D 的input_shape=(lookback, 1)，1 是特征维度，单变量时序就是 1。kernel_size=3表示每次看 3 个连续时间步。MaxPooling1D(pool_size=2)把时间步减半，减少计算量。第二层 Conv1D 的 filters 加到 64，提取更丰富的特征。最后 LSTM 的return_sequences=False，只取最后一个时间步的输出，接 Dense 出预测值。

参数怎么调：如果model.summary()报维度错误，先看 MaxPooling 之后的时间步是多少，再确认 LSTM 能不能接上。常见做法是池化之后时间步还太长，可以再加一层池化，或者把 LSTM 的input_shape改成(None, filters)让它自动适配。data_helper.py里的mini_build相关逻辑就是干这个的——把原始数据切成适合卷积和循环层的形状。

4.2 数据管道对接：把自有数据塞进 mini_data

mini_data目录和data_helper.py是配套的。你要用自己的数据跑 cnn+lstm，最稳妥的方式是照着mini_data里的格式准备一份，然后改data_helper.py里的读取路径。

# data_helper.py 里常见的读取和窗口构造逻辑 import pandas as pd import numpy as np def load_mini_data(path, lookback=24, horizon=1): df = pd.read_csv(path) # 假设第一列是时间，第二列是数值 series = df.iloc[:, 1].values.astype(float) # 归一化 series = (series - series.min()) / (series.max() - series.min() + 1e-8) X, y = [], [] for i in range(len(series) - lookback - horizon + 1): X.append(series[i:i+lookback]) y.append(series[i+lookback+horizon-1]) return np.array(X).reshape(-1, lookback, 1), np.array(y)

这段代码和前面 LSTM 的窗口构造逻辑一致，区别在于它从 csv 读数据，并且假设了列的位置。如果你的数据列顺序不同，改df.iloc[:, 1]里的索引。1e-8是防止除以零。注意归一化用的是全局最大最小值，实际项目中应该只用训练集的最大最小值，这里为了简化没做区分，你自己改的时候要补上。

4.3 训练与验证：混合结构到底有没有提升

跑完 cnn+lstm 之后，和纯 LSTM 的结果对比一下。对比的时候不能只看一个随机划分的测试集，因为时序数据波动大，单次划分的结果可能只是运气。我的做法是：用同样的 lookback 和 horizon，分别跑 LSTM 和 cnn+lstm，各跑 3 次取平均 MSE。如果 cnn+lstm 的平均 MSE 比 LSTM 低 10% 以上，那这个提升大概率是真实的；如果只低 2% 到 3%，可能是随机波动，不值得增加复杂度。

另外要注意，cnn+lstm 的参数量通常比纯 LSTM 大，训练时间也更长。如果数据量很小（比如只有几百个点），CNN 层可能学不到有意义的局部模式，反而更容易过拟合。这种情况下纯 GRU 或 SVM 可能是更务实的选择。

5. 避坑与排查：七套脚本跑下来最容易翻车的五个地方

5.1 现象：loss 是 nan，训练一开始就崩

原因：学习率太大，或者数据里有 nan/无穷大值，或者归一化的时候除以了零。时序数据里经常有缺失值，pandas 读进来是 NaN，直接送进模型就会导致 loss 变 nan。

解决：训练前先做df.isnull().sum()检查缺失值，用df.fillna(method='ffill')前向填充或者插值补上。归一化时分母加1e-8。学习率从 0.001 起步，不要一上来就 0.01。

5.2 现象：预测结果是一条直线，完全不跟着数据波动

原因：模型没学到东西，可能是 lookback 太小、归一化把数据压得太扁、或者训练 epoch 不够。另一个常见原因是输出层用了 sigmoid 但目标值没归一化到 0 到 1 之间。

解决：先确认归一化范围，如果目标值在 0 到 1 之外，输出层不要用 sigmoid。把 lookback 调大试试，比如从 12 调到 24。训练 epoch 加到 200 以上，配合 EarlyStopping。如果还是直线，检查数据本身是不是方差太小。

5.3 现象：SVM 跑得特别慢，内存爆了

原因：SVM 做时序预测时，如果 lookback 设得大，特征维度就是 lookback，样本数乘以特征维度很容易撑爆内存。而且 SVM 的训练复杂度是 O(n²) 到 O(n³)，样本一多就慢得离谱。

解决：控制 lookback 在 10 到 20 之间，不要超过 30。样本数超过几千条时，SVM 不是好选择，换 LSTM 或 GRU。如果一定要用 SVM，可以先用 PCA 降维，或者用LinearSVC替代SVC。

5.4 现象：cnn+lstm 报维度不匹配，改了半天改不对

原因：Conv1D 和 MaxPooling1D 会改变时间步长度，LSTM 的input_shape如果写死了具体数字，池化之后就对不上。另外data_helper.py里 reshape 的形状和模型输入不一致也会报错。

解决：用model.summary()逐层看输出形状，确认池化后的时间步。LSTM 的input_shape可以写成(None, filters)让 Keras 自动推断。数据管道那边，在 reshape 之后打印X.shape，和模型第一层的输入要求对一遍。

5.5 现象：GRU 在 Sunspots 上表现很好，换到业务数据就崩

原因：Sunspots 是平滑的周期性数据，业务数据往往有噪声、缺失、突变。在干净数据上调的窗口大小和归一化方式，换到脏数据上不适用。

解决：换数据后重新做探索性分析，看缺失值比例、异常值分布、周期性是否明显。归一化方式可能要从 min-max 改成 z-score，因为业务数据可能有极端值，min-max 会被拉偏。lookback 也要重新试，不要直接套用。

6. 进阶技巧：用同一套数据把七个模型串起来对比

跑通单个脚本只是第一步，这份资源真正的用法是：用同一份数据、同一个窗口设置，把七个模型跑一遍，横向对比。这样你才能知道在你的数据上，到底哪个模型性价比最高。

具体做法：选一份你手头的数据（比如上车训练数据.xlsx），统一做归一化和窗口构造，导出成X_train.npy、y_train.npy、X_test.npy、y_test.npy。然后每个模型脚本只改数据加载部分，都读这四个 npy 文件。这样模型之间的差异就只来自网络结构本身，而不是数据预处理。

# 统一数据准备脚本 prepare_data.py import pandas as pd import numpy as np df = pd.read_excel('上车训练数据.xlsx') series = df.iloc[:, 1].values.astype(float) series = (series - series.min()) / (series.max() - series.min() + 1e-8) lookback, horizon = 24, 1 X, y = [], [] for i in range(len(series) - lookback - horizon + 1): X.append(series[i:i+lookback]) y.append(series[i+lookback+horizon-1]) X, y = np.array(X).reshape(-1, lookback, 1), np.array(y) split = int(len(X) * 0.8) np.save('X_train.npy', X[:split]) np.save('y_train.npy', y[:split]) np.save('X_test.npy', X[split:]) np.save('y_test.npy', y[split:]) print('train:', X[:split].shape, 'test:', X[split:].shape)

这个脚本跑完，你就有了统一的数据集。接下来每个模型脚本开头加两行np.load就能用同一份数据。对比的时候记录每个模型的测试集 MSE 和训练时间，做成一张表。

这张表填完，你对自己数据该用哪个模型就有数了。我的血泪经验是：不要迷信复杂模型，很多时候 GRU 和 SVM 的性价比比 cnn+lstm 高得多，尤其是在数据量不大、上线时间紧的情况下。从那以后我每次拿到新的时序数据，都强制先跑一遍统一对比，再决定用哪个模型，而不是上来就堆 LSTM。希望帮到你。

本文还有配套的精品资源，点击获取