简介这份资源面向需要完成时间序列预测课程设计、期末大作业或入门深度学习实战的学生与开发者核心是用Python实现基于LSTM的股票收盘价预测。压缩包共30个文件约1.83MB包含1个可直接运行的py主程序、3个xlsx数据表与1个csv样本数据另有16张png原理图、2份md分析报告及若干xml、iml等工程配置兼顾代码、数据与讲解。内容从RNN节点结构、LSTM与RNN的区别、中间变量与计算过程等基础原理展开再落到用时间序列模型学习股票收盘价并预测未来价格的完整流程配有分析报告帮助理解建模思路与结果解读。目前已有1792人学习下载适合希望快速拿到可复现方案、对照原理图梳理LSTM内部机制并完成高分作业的读者参考。1. 时间序列预测配 LSTM一份能跑通的 Python 代码到底长什么样拿到「时间序列预测LSTM模型python代码实现95分以上.zip」这个标题多数人第一反应是找一份能直接跑的代码。但真正卡住人的从来不是模型本身而是从原始时序数据到 LSTM 输入张量之间那段没人讲清楚的预处理链路。我见过太多人把 CSV 丢进model.fit()然后对着一条水平直线怀疑人生——问题不在 LSTM在于窗口怎么切、归一化在哪一步做、lookback设多少。这篇笔记按一条完整落地路径拆先讲清 LSTM 做时序预测的输入输出契约再给可复现的 Python 代码最后把调参和踩坑摊开。适合已经会 Python 基础语法、想把这套东西真正跑在自己数据上的人也适合跑通过一次但结果不稳定、想搞清楚边界在哪的人。2. LSTM 时序预测的输入契约窗口、维度与归一化顺序2.1 为什么原始时序不能直接喂给 LSTMLSTM 的输入张量形状是(samples, timesteps, features)。一列按时间排列的数值既没有samples也没有features直接 reshape 成三维只会得到一堆无意义的切片。核心操作是滑动窗口用前 N 个时刻的值预测第 N1 个时刻的值。这个 N 就是lookback也叫时间步长。假设你有 1000 个连续观测点lookback24那么能构造出的样本数是1000 - 24 976个。每个样本的输入是连续 24 个点标签是第 25 个点。这一步决定了模型能看到多长的历史依赖是整套流程里第一个必须显式设定的参数。常见做法是先做差分或去趋势再切窗口但差分会让预测目标从原始值变成变化量评估指标的含义也跟着变。我一般建议第一版不做差分先把原始值预测跑通看到 baseline 之后再决定要不要加。2.2 归一化的时机比方法更重要归一化本身不复杂MinMaxScaler或StandardScaler一行搞定。真正容易翻车的是时机必须在切窗口之前对整列数据做 fit然后用同一个 scaler 做 inverse_transform 还原预测值。如果先切窗口再对每个窗口单独归一化每个样本的缩放基准都不一样模型学到的模式会被破坏。还有一个更隐蔽的问题如果用全量数据 fit scaler测试集的极值信息会泄漏进训练过程。严谨做法是只用训练段 fit然后 transform 验证段和测试段。下面代码里我会把这条边界标出来。import numpy as np import pandas as pd from sklearn.preprocessing import MinMaxScaler def make_windows(series, lookback): series: 一维 numpy 数组已归一化 lookback: 用前多少个时刻预测下一个时刻 返回 X shape(n, lookback, 1), y shape(n,) X, y [], [] for i in range(len(series) - lookback): X.append(series[i : i lookback]) y.append(series[i lookback]) X np.array(X).reshape(-1, lookback, 1) y np.array(y) return X, y # 假设 df[value] 是原始时序 raw df[value].values.reshape(-1, 1) split int(len(raw) * 0.8) # 前 80% 做训练 scaler MinMaxScaler() scaler.fit(raw[:split]) # 只用训练段 fit避免泄漏 scaled scaler.transform(raw).flatten() lookback 24 X, y make_windows(scaled, lookback) # 按时间顺序切分不能 shuffle X_train, X_test X[:split - lookback], X[split - lookback:] y_train, y_test y[:split - lookback], y[split - lookback:]make_windows里reshape(-1, lookback, 1)的最后一个1是特征维度单变量预测就是 1多变量时改成对应列数。split - lookback这个偏移量容易写错因为窗口构造消耗了前lookback个点训练集的样本边界要相应左移否则训练段和测试段会有重叠。2.3 lookback 怎么选从自相关出发而不是拍脑袋lookback不是越大越好。设太小模型看不到完整周期设太大参数量和训练时间上去还容易过拟合。一个可操作的起点是看自相关函数ACF找到自相关系数第一次跌破置信区间的位置或者业务周期的整数倍。比如日频数据有明显周周期lookback至少设 7小时频数据有日周期设 24 或 48。如果 ACF 在 lag12 之后基本落在零附近那lookback24大概率是浪费。我一般会跑三组对比lookback取周期长度、周期两倍、以及 ACF 截断点看验证集 loss 再定。3. 用 Keras 搭一个能收敛的 LSTM层数、单元数与训练配置3.1 模型结构单层 LSTM 加全连接输出就够了时序预测不是越深越好。单变量、数据量在几千到几万条这个量级一层 LSTM 加一层 Dense 输出通常就能拿到合理结果。堆两层 LSTM 的收益在长序列、多变量场景才明显而且第二层必须加return_sequencesTrue否则维度对不上。import tensorflow as tf from tensorflow.keras import layers, models, callbacks def build_lstm(lookback, units64, dropout0.2): model models.Sequential([ layers.LSTM(units, input_shape(lookback, 1)), layers.Dropout(dropout), layers.Dense(1) # 单步预测输出一个值 ]) model.compile( optimizertf.keras.optimizers.Adam(learning_rate1e-3), lossmse, metrics[mae] ) return model model build_lstm(lookback24, units64) model.summary()units64是 LSTM 隐藏状态的维度不是层数。数据量小于 5000 条时我一般从 32 起步大于 5 万条可以上 128。Dropout放在 LSTM 之后而不是 LSTM 内部是因为 LSTM 内部的 dropout 在 Keras 里对 recurrent 连接的处理有版本差异放外面更可控。3.2 训练配置EarlyStopping 是必须的后悔药LSTM 训练最容易出现的情况是验证 loss 先降后升而你没有在拐点停下来。EarlyStopping配合ModelCheckpoint是标准操作es callbacks.EarlyStopping( monitorval_loss, patience10, restore_best_weightsTrue ) ckpt callbacks.ModelCheckpoint( best_lstm.keras, monitorval_loss, save_best_onlyTrue ) history model.fit( X_train, y_train, validation_split0.1, # 从训练段再切 10% 做验证 epochs200, batch_size32, callbacks[es, ckpt], verbose1 )patience10意味着验证 loss 连续 10 轮不下降就停。restore_best_weightsTrue保证模型回到验证 loss 最低的那一轮而不是停在最后。batch_size32是通用起点数据量小可以降到 16数据量大可以升到 64 或 128但要注意学习率可能需要同步调整。3.3 预测与还原inverse_transform 的维度陷阱模型输出的是归一化空间的预测值必须用同一个 scaler 还原。这里最常见的错误是 scaler 的维度对不上pred_scaled model.predict(X_test) # shape(n, 1) pred scaler.inverse_transform(pred_scaled) # 还原到原始量纲 true scaler.inverse_transform(y_test.reshape(-1, 1)) from sklearn.metrics import mean_absolute_error, mean_squared_error mae mean_absolute_error(true, pred) rmse np.sqrt(mean_squared_error(true, pred)) print(fMAE{mae:.4f}, RMSE{rmse:.4f})如果训练时 scaler 是对单列 fit 的inverse_transform的输入必须是(n, 1)形状。y_test是一维的要先reshape(-1, 1)。这个细节不报错但会算出错误结果属于典型的静默翻车。4. 避坑与排查LSTM 时序预测最常见的 5 个翻车现场4.1 预测出来是一条直线现象模型输出几乎不随时间变化MAE 看起来不大但完全没有预测能力。原因最常见的是归一化后数据范围太小比如全在 0.4 到 0.6 之间LSTM 直接学到了均值。其次是学习率过大模型在第一步就跳到平凡解。解决检查归一化后数据的std如果小于 0.1 考虑换StandardScaler。把学习率降到1e-4再跑一次。如果还是直线检查窗口构造是否有误——打印X_train[0]和y_train[0]确认输入输出对应关系正确。4.2 训练 loss 下降但验证 loss 震荡现象loss稳步下降val_loss上下跳动不收敛。原因batch_size太小导致梯度噪声大或者训练段和验证段的数据分布不一致比如验证段恰好落在异常区间。解决先把batch_size翻倍。如果无效检查切分点附近的数据是否有突变。我一般会画一张训练段和验证段的叠图肉眼确认两段分布没有系统性偏移。4.3 多步预测误差累积爆炸现象单步预测还行递归预测 10 步之后完全偏离。原因递归多步预测把上一步的预测值当作下一步的输入误差指数级放大。这是 LSTM 做多步预测的固有问题不是调参能解决的。解决改用直接多步策略——训练时输出维度直接设为预测步数一次前向传播出所有步的预测值。代价是每个步数需要独立的输出头样本构造也要相应调整。4.4 GPU 显存够但训练极慢现象nvidia-smi显示显存占用很低但每个 epoch 耗时远超预期。原因数据在 CPU 和 GPU 之间频繁拷贝或者batch_size太小导致 GPU 利用率上不去。解决用tf.data.Dataset把数据预取到 GPUtrain_ds tf.data.Dataset.from_tensor_slices((X_train, y_train)) \ .shuffle(1000).batch(64).prefetch(tf.data.AUTOTUNE)prefetch(tf.data.AUTOTUNE)让数据加载和模型计算重叠通常能提速 30% 以上。4.5 换了新数据后预测完全失效现象在原始数据集上表现良好换一批同时段的新数据后 MAE 翻倍。原因scaler 是用旧数据 fit 的新数据的取值范围超出了旧 scaler 的data_min_和data_max_transform后值被截断到 [0,1] 边界。解决定期用滑动窗口重新 fit scaler或者改用对异常值不敏感的RobustScaler。生产环境下我倾向于每预测一批就用最近 N 条数据重新 fit 一次 scaler代价很小但能避免分布漂移导致的系统性偏差。5. 把单变量 LSTM 扩到多变量与滚动预测的实操技巧单变量跑通之后下一步通常是加入外生变量——温度、节假日标记、滞后特征等。多变量 LSTM 的输入形状从(samples, lookback, 1)变成(samples, lookback, n_features)make_windows里那个1要改成实际特征数。但这里有个容易忽略的点目标列和其他特征的归一化必须用各自的 scaler不能混在一起 fit否则量纲差异会让模型偏向数值大的特征。from sklearn.preprocessing import MinMaxScaler feature_cols [value, temp, is_holiday] scalers {} scaled_df pd.DataFrame() for col in feature_cols: s MinMaxScaler() s.fit(df[col].values[:split].reshape(-1, 1)) scaled_df[col] s.transform(df[col].values.reshape(-1, 1)).flatten() scalers[col] s data scaled_df.values # shape(T, n_features) X, y [], [] for i in range(len(data) - lookback): X.append(data[i : i lookback, :]) y.append(data[i lookback, 0]) # 只预测 value 列 X np.array(X) # (n, lookback, n_features) y np.array(y)y只取第 0 列value其他特征作为输入但不作为预测目标。还原时只用scalers[value]对预测结果做inverse_transform。滚动预测是另一个实用技巧每次只预测一步把预测值追加到输入末尾滑窗前进一格再预测下一步。这样可以在不重新训练的情况下做任意长度的预测但误差会累积。我的习惯是滚动步数不超过lookback的一半超过就重新训练一个直接多步模型。最后说一个我自己的教训不要在没有 baseline 的情况下直接上 LSTM。先跑一个用昨天同时刻的值预测今天的朴素模型拿到 MAE 之后再对比 LSTM。如果 LSTM 没有显著优于朴素模型问题大概率在数据质量或窗口构造上不在模型结构。这个习惯帮我省过很多次无意义的调参时间。希望帮到你。本文还有配套的精品资源点击获取
简介这份资源面向需要完成时间序列预测课程设计、期末大作业或入门深度学习实战的学生与开发者核心是用Python实现基于LSTM的股票收盘价预测。压缩包共30个文件约1.83MB包含1个可直接运行的py主程序、3个xlsx数据表与1个csv样本数据另有16张png原理图、2份md分析报告及若干xml、iml等工程配置兼顾代码、数据与讲解。内容从RNN节点结构、LSTM与RNN的区别、中间变量与计算过程等基础原理展开再落到用时间序列模型学习股票收盘价并预测未来价格的完整流程配有分析报告帮助理解建模思路与结果解读。目前已有1792人学习下载适合希望快速拿到可复现方案、对照原理图梳理LSTM内部机制并完成高分作业的读者参考。1. 时间序列预测配 LSTM一份能跑通的 Python 代码到底长什么样拿到「时间序列预测LSTM模型python代码实现95分以上.zip」这个标题多数人第一反应是找一份能直接跑的代码。但真正卡住人的从来不是模型本身而是从原始时序数据到 LSTM 输入张量之间那段没人讲清楚的预处理链路。我见过太多人把 CSV 丢进model.fit()然后对着一条水平直线怀疑人生——问题不在 LSTM在于窗口怎么切、归一化在哪一步做、lookback设多少。这篇笔记按一条完整落地路径拆先讲清 LSTM 做时序预测的输入输出契约再给可复现的 Python 代码最后把调参和踩坑摊开。适合已经会 Python 基础语法、想把这套东西真正跑在自己数据上的人也适合跑通过一次但结果不稳定、想搞清楚边界在哪的人。2. LSTM 时序预测的输入契约窗口、维度与归一化顺序2.1 为什么原始时序不能直接喂给 LSTMLSTM 的输入张量形状是(samples, timesteps, features)。一列按时间排列的数值既没有samples也没有features直接 reshape 成三维只会得到一堆无意义的切片。核心操作是滑动窗口用前 N 个时刻的值预测第 N1 个时刻的值。这个 N 就是lookback也叫时间步长。假设你有 1000 个连续观测点lookback24那么能构造出的样本数是1000 - 24 976个。每个样本的输入是连续 24 个点标签是第 25 个点。这一步决定了模型能看到多长的历史依赖是整套流程里第一个必须显式设定的参数。常见做法是先做差分或去趋势再切窗口但差分会让预测目标从原始值变成变化量评估指标的含义也跟着变。我一般建议第一版不做差分先把原始值预测跑通看到 baseline 之后再决定要不要加。2.2 归一化的时机比方法更重要归一化本身不复杂MinMaxScaler或StandardScaler一行搞定。真正容易翻车的是时机必须在切窗口之前对整列数据做 fit然后用同一个 scaler 做 inverse_transform 还原预测值。如果先切窗口再对每个窗口单独归一化每个样本的缩放基准都不一样模型学到的模式会被破坏。还有一个更隐蔽的问题如果用全量数据 fit scaler测试集的极值信息会泄漏进训练过程。严谨做法是只用训练段 fit然后 transform 验证段和测试段。下面代码里我会把这条边界标出来。import numpy as np import pandas as pd from sklearn.preprocessing import MinMaxScaler def make_windows(series, lookback): series: 一维 numpy 数组已归一化 lookback: 用前多少个时刻预测下一个时刻 返回 X shape(n, lookback, 1), y shape(n,) X, y [], [] for i in range(len(series) - lookback): X.append(series[i : i lookback]) y.append(series[i lookback]) X np.array(X).reshape(-1, lookback, 1) y np.array(y) return X, y # 假设 df[value] 是原始时序 raw df[value].values.reshape(-1, 1) split int(len(raw) * 0.8) # 前 80% 做训练 scaler MinMaxScaler() scaler.fit(raw[:split]) # 只用训练段 fit避免泄漏 scaled scaler.transform(raw).flatten() lookback 24 X, y make_windows(scaled, lookback) # 按时间顺序切分不能 shuffle X_train, X_test X[:split - lookback], X[split - lookback:] y_train, y_test y[:split - lookback], y[split - lookback:]make_windows里reshape(-1, lookback, 1)的最后一个1是特征维度单变量预测就是 1多变量时改成对应列数。split - lookback这个偏移量容易写错因为窗口构造消耗了前lookback个点训练集的样本边界要相应左移否则训练段和测试段会有重叠。2.3 lookback 怎么选从自相关出发而不是拍脑袋lookback不是越大越好。设太小模型看不到完整周期设太大参数量和训练时间上去还容易过拟合。一个可操作的起点是看自相关函数ACF找到自相关系数第一次跌破置信区间的位置或者业务周期的整数倍。比如日频数据有明显周周期lookback至少设 7小时频数据有日周期设 24 或 48。如果 ACF 在 lag12 之后基本落在零附近那lookback24大概率是浪费。我一般会跑三组对比lookback取周期长度、周期两倍、以及 ACF 截断点看验证集 loss 再定。3. 用 Keras 搭一个能收敛的 LSTM层数、单元数与训练配置3.1 模型结构单层 LSTM 加全连接输出就够了时序预测不是越深越好。单变量、数据量在几千到几万条这个量级一层 LSTM 加一层 Dense 输出通常就能拿到合理结果。堆两层 LSTM 的收益在长序列、多变量场景才明显而且第二层必须加return_sequencesTrue否则维度对不上。import tensorflow as tf from tensorflow.keras import layers, models, callbacks def build_lstm(lookback, units64, dropout0.2): model models.Sequential([ layers.LSTM(units, input_shape(lookback, 1)), layers.Dropout(dropout), layers.Dense(1) # 单步预测输出一个值 ]) model.compile( optimizertf.keras.optimizers.Adam(learning_rate1e-3), lossmse, metrics[mae] ) return model model build_lstm(lookback24, units64) model.summary()units64是 LSTM 隐藏状态的维度不是层数。数据量小于 5000 条时我一般从 32 起步大于 5 万条可以上 128。Dropout放在 LSTM 之后而不是 LSTM 内部是因为 LSTM 内部的 dropout 在 Keras 里对 recurrent 连接的处理有版本差异放外面更可控。3.2 训练配置EarlyStopping 是必须的后悔药LSTM 训练最容易出现的情况是验证 loss 先降后升而你没有在拐点停下来。EarlyStopping配合ModelCheckpoint是标准操作es callbacks.EarlyStopping( monitorval_loss, patience10, restore_best_weightsTrue ) ckpt callbacks.ModelCheckpoint( best_lstm.keras, monitorval_loss, save_best_onlyTrue ) history model.fit( X_train, y_train, validation_split0.1, # 从训练段再切 10% 做验证 epochs200, batch_size32, callbacks[es, ckpt], verbose1 )patience10意味着验证 loss 连续 10 轮不下降就停。restore_best_weightsTrue保证模型回到验证 loss 最低的那一轮而不是停在最后。batch_size32是通用起点数据量小可以降到 16数据量大可以升到 64 或 128但要注意学习率可能需要同步调整。3.3 预测与还原inverse_transform 的维度陷阱模型输出的是归一化空间的预测值必须用同一个 scaler 还原。这里最常见的错误是 scaler 的维度对不上pred_scaled model.predict(X_test) # shape(n, 1) pred scaler.inverse_transform(pred_scaled) # 还原到原始量纲 true scaler.inverse_transform(y_test.reshape(-1, 1)) from sklearn.metrics import mean_absolute_error, mean_squared_error mae mean_absolute_error(true, pred) rmse np.sqrt(mean_squared_error(true, pred)) print(fMAE{mae:.4f}, RMSE{rmse:.4f})如果训练时 scaler 是对单列 fit 的inverse_transform的输入必须是(n, 1)形状。y_test是一维的要先reshape(-1, 1)。这个细节不报错但会算出错误结果属于典型的静默翻车。4. 避坑与排查LSTM 时序预测最常见的 5 个翻车现场4.1 预测出来是一条直线现象模型输出几乎不随时间变化MAE 看起来不大但完全没有预测能力。原因最常见的是归一化后数据范围太小比如全在 0.4 到 0.6 之间LSTM 直接学到了均值。其次是学习率过大模型在第一步就跳到平凡解。解决检查归一化后数据的std如果小于 0.1 考虑换StandardScaler。把学习率降到1e-4再跑一次。如果还是直线检查窗口构造是否有误——打印X_train[0]和y_train[0]确认输入输出对应关系正确。4.2 训练 loss 下降但验证 loss 震荡现象loss稳步下降val_loss上下跳动不收敛。原因batch_size太小导致梯度噪声大或者训练段和验证段的数据分布不一致比如验证段恰好落在异常区间。解决先把batch_size翻倍。如果无效检查切分点附近的数据是否有突变。我一般会画一张训练段和验证段的叠图肉眼确认两段分布没有系统性偏移。4.3 多步预测误差累积爆炸现象单步预测还行递归预测 10 步之后完全偏离。原因递归多步预测把上一步的预测值当作下一步的输入误差指数级放大。这是 LSTM 做多步预测的固有问题不是调参能解决的。解决改用直接多步策略——训练时输出维度直接设为预测步数一次前向传播出所有步的预测值。代价是每个步数需要独立的输出头样本构造也要相应调整。4.4 GPU 显存够但训练极慢现象nvidia-smi显示显存占用很低但每个 epoch 耗时远超预期。原因数据在 CPU 和 GPU 之间频繁拷贝或者batch_size太小导致 GPU 利用率上不去。解决用tf.data.Dataset把数据预取到 GPUtrain_ds tf.data.Dataset.from_tensor_slices((X_train, y_train)) \ .shuffle(1000).batch(64).prefetch(tf.data.AUTOTUNE)prefetch(tf.data.AUTOTUNE)让数据加载和模型计算重叠通常能提速 30% 以上。4.5 换了新数据后预测完全失效现象在原始数据集上表现良好换一批同时段的新数据后 MAE 翻倍。原因scaler 是用旧数据 fit 的新数据的取值范围超出了旧 scaler 的data_min_和data_max_transform后值被截断到 [0,1] 边界。解决定期用滑动窗口重新 fit scaler或者改用对异常值不敏感的RobustScaler。生产环境下我倾向于每预测一批就用最近 N 条数据重新 fit 一次 scaler代价很小但能避免分布漂移导致的系统性偏差。5. 把单变量 LSTM 扩到多变量与滚动预测的实操技巧单变量跑通之后下一步通常是加入外生变量——温度、节假日标记、滞后特征等。多变量 LSTM 的输入形状从(samples, lookback, 1)变成(samples, lookback, n_features)make_windows里那个1要改成实际特征数。但这里有个容易忽略的点目标列和其他特征的归一化必须用各自的 scaler不能混在一起 fit否则量纲差异会让模型偏向数值大的特征。from sklearn.preprocessing import MinMaxScaler feature_cols [value, temp, is_holiday] scalers {} scaled_df pd.DataFrame() for col in feature_cols: s MinMaxScaler() s.fit(df[col].values[:split].reshape(-1, 1)) scaled_df[col] s.transform(df[col].values.reshape(-1, 1)).flatten() scalers[col] s data scaled_df.values # shape(T, n_features) X, y [], [] for i in range(len(data) - lookback): X.append(data[i : i lookback, :]) y.append(data[i lookback, 0]) # 只预测 value 列 X np.array(X) # (n, lookback, n_features) y np.array(y)y只取第 0 列value其他特征作为输入但不作为预测目标。还原时只用scalers[value]对预测结果做inverse_transform。滚动预测是另一个实用技巧每次只预测一步把预测值追加到输入末尾滑窗前进一格再预测下一步。这样可以在不重新训练的情况下做任意长度的预测但误差会累积。我的习惯是滚动步数不超过lookback的一半超过就重新训练一个直接多步模型。最后说一个我自己的教训不要在没有 baseline 的情况下直接上 LSTM。先跑一个用昨天同时刻的值预测今天的朴素模型拿到 MAE 之后再对比 LSTM。如果 LSTM 没有显著优于朴素模型问题大概率在数据质量或窗口构造上不在模型结构。这个习惯帮我省过很多次无意义的调参时间。希望帮到你。本文还有配套的精品资源点击获取
