简介这是一份基于LSTM、GRU、RNN的时间序列预测模型完整项目面向计科、人工智能、数据科学等专业的在校学生与开发者可用于毕业设计、课程作业或入门进阶。压缩包共15个文件核心包括3个Python源码脚本、2个已训练模型权重.pt、3个Excel数据集及1个CSV数据文件另有项目配置文件等整体仅5.83MB轻量易部署。源码覆盖数据加载、模型训练与预测流程数据集包含各地区每月平均温度、月平均气温1850-2022及风电数据场景典型便于对比不同循环神经网络在时间预测任务上的效果。项目已训练好两个LSTM时序模型下载后可直接加载运行也可基于源码调整结构或参数二次开发实现其他预测功能。目前已有238人学习下载适合新手从代码中理解RNN/LSTM/GRU的建模差异也适合作为相关课题的演示基础。1. 基于LSTM、GRU、RNN的时间预测模型到底在预测什么接过这个压缩包先别急着解压跑源码。你面对的是一个典型的单变量或多变量时间序列预测任务用过去一段窗口的历史观测值推测未来若干个时间步的数值。这类问题在气象、水文、电力负荷、金融序列里到处都是而最近几年大家默认的基线方案就是RNN家族里的LSTM、GRU和原生RNN。这个zip之所以把三个模型打包在一起是因为它们共享同一套输入输出接口只是内部门控结构不同方便你在同一份数据集上横向对比效果。读这份材料的人多半是刚入门时间序列预测的Python开发者或是需要快速在业务数据上验证深度学习方案的分析师。你需要做的不是理解每行数学公式而是搞清三件事数据怎么喂给网路、三个模型各自的收敛特性和适用边界、以及调参时该盯哪几个核心指标。下面我按自己拿到这类项目时的工作顺序来讲从模型选型到数据切分再到PyTorch实现和评估技巧都是可以直接抄走的方案。2. RNN、LSTM、GRU 的结构差异与选型依据2.1 从RNN到LSTM梯度消失与长期依赖的解法原生RNN的核心思想是把隐藏状态 $h_t$ 沿着时间步传递每一步的输出同时依赖当前输入 $x_t$ 和上一步的 $h_{t-1}$。公式上就是 $h_t \tanh(W_{ih}x_t b_{ih} W_{hh}h_{t-1} b_{hh})$。这个结构在序列长度较短时表现尚可但序列一长反向传播时梯度要连续乘以多个时间步的权重矩阵梯度会指数级衰减或爆炸模型基本学不到几十步之前的依赖关系。LSTM引入了三个门控输入门、遗忘门、输出门外加一条记忆单元 $c_t$ 的传送带。遗忘门决定过去记忆保留多少输入门决定今新信息写入多少输出门决定当前隐藏状态对外暴露多少。这套机制让梯度在记忆单元上能以接近恒等映射的方式流过较长时间步梯度消失问题被大幅缓解。你现在看到的大部分时间预测模型实际跑的最多的还是LSTM原因是它训练稳定、超参鲁棒性高。2.2 GRU参数更少的LSTM变体GRU门控循环单元把LSTM的三个门简化成两个重置门和更新门同时把记忆单元和隐藏状态合并。参数总量比LSTM少了约四分之一训练更快在小数据集上往往比LSTM泛化更好。它的更新门同时承担了遗忘和输入的功能重置门则决定让历史信息和当前输入如何混合。从实操角度看GRU和LSTM的效果差异通常不大。我在多个实际项目里的经验是序列长度中等、数据量在万级以下时GRU往往训练更快且不易过拟合数据量足够大、序列依赖非常长时LSTM的表达上限略高。原生RNN现在很少单独用于预测更多作为对比基线和理解门控机制的起点。2.3 选型建议什么场景用哪个一个相对实用的选型思路是这样的场景特征推荐模型理由序列短、数据量小、需要快速验证RNN 或 GRU参数少迭代快不易过拟合序列中等长度、业务数据噪声较大GRU门控足够训练稳定性好长序列、强周期、依赖跨度大LSTM记忆单元更强长期依赖建模更好既有时间依赖又有多个特征交叉LSTM/GRU 注意力门控建模时序注意力捕捉关键时间点提示排序时不要把模型参数量当作唯一标准。GRU参数量少但过拟合风险在数据充足时反而低于LSTM因为它的正则化效应来自结构简化而非dropout。2.4 为什么用PyTorch而不是其他框架这个zip里的python源码大概率用PyTorch实现因为PyTorch的动态图机制对变长序列和逐步调试非常友好。你可以在每个时间步打印中间张量的shape随时中断检查梯度。相比之下TensorFlow的静态图在调试时不够直观Keras虽然简单但自定义门控结构时表达力受限。PyTorch的nn.LSTM、nn.GRU、nn.RNN都是现成模块两行代码就能搭好一个单层循环网络后面我会给完整实现。3. 时间序列数据预处理与数据集构建3.1 解压后先看数据长什么样拿到数据集先用pandas读进来检查格式、缺失率和时间戳是否对齐。常见的数据集是单变量CSV两列date和value也可能是多列除了目标列还有温度、降雨、湿度等外生特征。我一般会先画一张原始序列图确认趋势和周期性是否明显再看是否存在缺失值和异常值。缺失值少的直接前向填充多的话建议用线性插值或去掉那一段。import pandas as pd import matplotlib.pyplot as plt df pd.read_csv(data.csv, parse_dates[date]) df.set_index(date, inplaceTrue) print(df.head()) print(df.isnull().sum()) df.plot(figsize(12, 4)) plt.show()这段代码先按时间列解析日期并设为索引打印前几行确认列名统计缺失值数量最后画全序列折线图。注意如果你的数据是水文径流序列噪声会比较大画图时肉眼不一定看得出周期需要用后文的自相关分析辅助判断。3.2 滑窗切分lookback 与 horizon 的选择时间预测模型输入输出的核心参数就两个用过去多少步预测未来多少步分别叫lookback和horizon。lookback选短了模型看不到完整周期选长了训练样本数减少且梯度传播路径变深。我一般先看数据的自相关图取自相关系数显著下降到一个稳定平台的位置作为参考。例如日尺度水文数据如果存在明显的季节性周期lookback可以取一个周期长度或其整数倍。滑窗的切分逻辑是从第0个样本开始每lookback个连续点作为X紧接着的horizon个点作为y然后窗口向后滑动一步。这种做法叫滚动窗口数据量小时珍惜每一条样本但它会引入相邻样本间的强相关性影响训练集的独立性。如果数据量足够大可以设置step参数让窗口每隔几步才取一次样本。import numpy as np def create_sequences(data, lookback24, horizon6, step1): X, y [], [] for i in range(0, len(data) - lookback - horizon 1, step): X.append(data[i:(i lookback)]) y.append(data[(i lookback):(i lookback horizon)]) return np.array(X), np.array(y) # 以单变量序列为例data是一个二维numpy数组行是时间步列是特征 X, y create_sequences(data, lookback24, horizon6) print(X.shape, y.shape)X的形状是(样本数, lookback, 特征数)y的形状是(样本数, horizon)。如果你的模型输出要求每个时间步有输出即多对多结构那就需要把y也构造成序列形式这对后续做多步预测策略很关键后面的章节会展开。3.3 标准化MinMaxScaler 还是 StandardScaler时间序列预测里标准化几乎不做不行。LSTM内部用的是tanh和sigmoid激活输入范围过大或过小都会让梯度进入饱和区训练速度明显变慢。选哪种标准化要看数据分布如果序列大致服从钟形分布、没有明显尖峰用StandardScaler如果数据有界且接近均匀分布、或者你想保留预测值缩放到[0,1]区间的整数语义用MinMaxScaler。from sklearn.preprocessing import MinMaxScaler, StandardScaler scaler MinMaxScaler(feature_range(0, 1)) scaled_data scaler.fit_transform(data)注意scaler只能对训练集做fit对验证集和测试集只用transform否则会把未来信息泄漏进训练过程导致验证指标虚高。这是新手最容易踩的坑之一。3.4 训练集、验证集、测试集的时间顺序划分不同于随机打乱的分类任务时间序列按时间顺序划分保证训练集的时间总是在验证集和测试集之前。常规比例是6:2:2但如果你的数据有明显趋势建议把测试集留在最后一段且长度要覆盖至少一个完整周期否则评估结果会严重偏向局部趋势。切分点可以用时间索引而非固定行数便于后期追溯到具体日期。3.5 构建 PyTorch Dataset 与 DataLoader数据切好之后封装成Dataset配合DataLoader做批量加载。这里要特别注意shuffle参数训练集可以设置shuffleTrue打乱样本顺序验证集和测试集必须shuffleFalse因为预测任务要求输出按原始时间顺序排列便于后续画图和计算指标。import torch from torch.utils.data import Dataset, DataLoader class TimeSeriesDataset(Dataset): def __init__(self, X, y): self.X torch.tensor(X, dtypetorch.float32) self.y torch.tensor(y, dtypetorch.float32) def __len__(self): return len(self.X) def __getitem__(self, idx): return self.X[idx], self.y[idx] train_dataset TimeSeriesDataset(X_train, y_train) val_dataset TimeSeriesDataset(X_val, y_val) train_loader DataLoader(train_dataset, batch_size256, shuffleTrue) val_loader DataLoader(val_dataset, batch_size256, shuffleFalse)batch_size的选择影响收敛稳定性。序列预测任务里我建议从128或256开始显存不足再减半。shuffleTrue会打乱样本次序让同一批次内的序列起始点不同避免模型学到数据集中的固有排序规律。4. 用 PyTorch 实现 LSTM、GRU、RNN 预测模型4.1 模型基类输入输出尺寸与前向结构在写具体模型前先确认张量形状。输入(batch, lookback, features)进入循环层后输出(batch, lookback, hidden_size)我们要的是最后一个时间步的隐藏输出经过全连接层映射到horizon个预测值。取最后一个时间步有两种写法一种是取output[:, -1, :]另一种是取循环层返回的(h_n, c_n)中的h_n。两层结构下两者结果不同单层时等价。下面统一用output[:, -1, :]代码更直观。4.2 LSTM、GRU、RNN 三模型实现代码三个模型唯一的区别就是循环层用nn.LSTM还是nn.GRU还是nn.RNN其余结构完全一样。这里给出统一模板方便在同一个数据集上做对比实验import torch.nn as nn class Seq2SeqRNN(nn.Module): def __init__(self, input_size, hidden_size, num_layers, output_size, rnn_typelstm, dropout0.1): super().__init__() rnn_dict { lstm: nn.LSTM, gru: nn.GRU, rnn: nn.RNN } self.rnn_type rnn_type self.rnn rnn_dict[rnn_type]( input_sizeinput_size, hidden_sizehidden_size, num_layersnum_layers, batch_firstTrue, dropoutdropout ) self.fc nn.Linear(hidden_size, output_size) def forward(self, x): out, _ self.rnn(x) # out: (batch, lookback, hidden_size) out out[:, -1, :] # 取最后时间步的隐藏状态 out self.fc(out) # (batch, output_size) return out model_lstm Seq2SeqRNN(input_size1, hidden_size32, num_layers2, output_size6, rnn_typelstm) model_gru Seq2SeqRNN(input_size1, hidden_size32, num_layers2, output_size6, rnn_typegru) model_rnn Seq2SeqRNN(input_size1, hidden_size32, num_layers2, output_size6, rnn_typernn)hidden_size控制记忆容量我习惯从32开始特征多或序列长时提到64或128。num_layers设为2能增强非线性拟合能力但超过3层后收益递减且训练不稳。dropout只在num_layers1时生效用于层间正则化。注意batch_firstTrue必须设否则输入要转成(lookback, batch, features)容易搞混。4.3 训练循环与早停机制训练采用MSE损失加Adam优化器这是时间回归任务的最常见组合。完整训练循环里要加验证集评估和早停机制否则模型会在训练集上过拟合测试集误差反弹。import torch.optim as optim device torch.device(cuda if torch.cuda.is_available() else cpu) model_lstm.to(device) criterion nn.MSELoss() optimizer optim.Adam(model_lstm.parameters(), lr1e-3) epochs 50 best_val_loss float(inf) patience 8 trigger 0 for epoch in range(epochs): model_lstm.train() train_loss 0 for X_batch, y_batch in train_loader: X_batch, y_batch X_batch.to(device), y_batch.to(device) optimizer.zero_grad() output model_lstm(X_batch) loss criterion(output, y_batch) loss.backward() optimizer.step() train_loss loss.item() * X_batch.size(0) model_lstm.eval() val_loss 0 with torch.no_grad(): for X_batch, y_batch in val_loader: X_batch, y_batch X_batch.to(device), y_batch.to(device) output model_lstm(X_batch) val_loss criterion(output, y_batch).item() * X_batch.size(0) val_loss / len(val_loader.dataset) print(fEpoch {epoch1} | train loss: {train_loss/len(train_loader.dataset):.6f} | val loss: {val_loss:.6f}) if val_loss best_val_loss: best_val_loss val_loss trigger 0 torch.save(model_lstm.state_dict(), best_model_lstm.pth) else: trigger 1 if trigger patience: print(Early stopping) breakpatience8表示连续8个epoch验证损失不下降就停止训练防止浪费时间。保存最佳模型用的是state_dict而不是整个model对象轻量且跨平台兼容。注意在model.eval()后必须包一层torch.no_grad()否则会构建计算图浪费显存。4.4 核心训练超参数速查表超参数推荐范围调整方向lr学习率1e-4 ~ 1e-2不收敛调低收敛太慢调高batch_size128 ~ 512显存不足减半收敛不稳减半hidden_size16 ~ 128欠拟合增大过拟合检查该参数num_layers2 或 3数据量大可加深否则两层好lookback自相关周期附近太短欠拟合太长训练变慢dropout0 ~ 0.3过拟合时增大但大于0.5反而有害提示nn.RNN因为内部用tanh预测序列有界时容易饱和如果对比实验里RNN效果差得离谱优先检查数据标准化范围把输入压到[0,1]或[-1,1]区间。5. 模型评估、多步预测策略与项目文件解读5.1 用 MAE、RMSE、MAPE 三组指标做公平对比三个模型要在同一测试集上评估不能各测各的。预测结果要先逆标准化回原始物理量再计算误差指标否则归一化后的误差看起来很小实际业务尺度上误差可能很大。from sklearn.metrics import mean_absolute_error, mean_squared_error preds model_lstm(X_test_tensor).cpu().detach().numpy() preds_inv scaler.inverse_transform(preds.reshape(-1, 1)).ravel() y_test_inv scaler.inverse_transform(y_test.reshape(-1, 1)).ravel() mae mean_absolute_error(y_test_inv, preds_inv) rmse np.sqrt(mean_squared_error(y_test_inv, preds_inv)) mape np.mean(np.abs((y_test_inv - preds_inv) / (y_test_inv 1e-8))) * 100 print(fMAE: {mae:.4f} | RMSE: {rmse:.4f} | MAPE: {mape:.2f}%)mape分母加1e-8防止除零水文数据里流量为0的日子不少必须处理。RMSE对大误差敏感业务上如果更关心峰值预测能力就盯RMSE如果关心整体平均偏差盯MAE。5.2 多步预测的两种策略当horizon 1时有两种常见做法。一种是直接多输出策略也就是前面模型实现的方式最后全连接层一次输出多个步长的预测值。训练简单但误差在时间步间不共享建模。另一种是递归多步预测模型每次只预测下1步把预测值作为输入再预测下一步滚动horizon次。递归方式误差会累积越往后越飘但模型更小、训练数据构造更简单。我建议先用直接多输出如果发现多步预测后期震荡严重再改成seq2seq结构给解码器逐步注入真实或预测值。5.3 zip包里通常有哪些文件各自什么作用拿到这个zip常见组织结构是这样的train.py负责数据读取、模型构建、训练和保存权重model.py放三个模型类定义data/目录存放原始CSV和标准化后的npy文件best_model_lstm.pth、best_model_gru.pth、best_model_rnn.pth是训练好的权重还有一个predict.py用于加载权重对最新数据做预测。predict.py里通常要注意维度处理入口数据是(1, lookback, features)模型输出的(1, horizon)再逆标准化成业务单位。5.4 一个快速验证模型是否有效的技巧在正式跑完整训练前我先用单batch过一遍模型确认输出shape正确、损失能下降再全量训练。做法是取train_loader的第一个batch前向传播看output.shape是不是(batch, horizon)再用同一个batch跑一步反向传播看梯度是否为None。这一步能过滤掉八成维度错误和dtype不匹配问题比直接训练排错效率高得多。最后预测值画图上要叠加实际曲线和预测曲线横轴直接显示日期。画图时用plt.plot分别画三条预测曲线和一条真实曲线肉眼就能分辨哪个模型跟上了趋势拐点。数据集里如果有明显的季节峰多步预测最远的那个时刻误差会被拉高这时先别急着调网络结构检查lookback是否覆盖了完整周期更重要。本文还有配套的精品资源点击获取