当前位置：首页 > news >正文

LSTM在多元时间序列预测中的实战应用

news 2026/4/25 7:14:42

1. 理解LSTM在多元时间序列预测中的应用

长短期记忆网络（LSTM）作为循环神经网络（RNN）的一种特殊变体，在处理时间序列数据时展现出独特优势。与传统的线性方法相比，LSTM能够自动学习时间序列中的长期依赖关系，而无需人工设计特征或假设数据的平稳性。在多元时间序列预测场景中，LSTM可以同时处理多个输入变量，捕捉它们之间的复杂非线性关系。

1.1 LSTM的核心机制解析

LSTM通过精心设计的"门"结构（输入门、遗忘门、输出门）来控制信息的流动。遗忘门决定从细胞状态中丢弃哪些信息，输入门确定哪些新信息将被存储，而输出门则控制当前时刻的输出。这种机制使得LSTM能够选择性地记住或忘记长期信息，有效缓解了传统RNN面临的梯度消失问题。

在Keras中实现LSTM时，有几个关键参数需要注意：

units：隐含层神经元数量，决定了模型的容量
input_shape：输入数据的形状（时间步长，特征数）
return_sequences：控制是否返回完整序列或仅最后输出

1.2 多元时间序列的独特挑战

多元时间序列预测与单变量预测的主要区别在于：

特征相关性：不同变量间可能存在复杂的相互影响
尺度差异：各变量的数值范围可能差异很大
采样频率：不同变量可能有不同的采样频率
缺失值处理：多变量场景下缺失值处理更为复杂

针对空气质量预测这一具体问题，我们需要考虑气象因素（温度、湿度、气压等）与污染浓度之间的非线性关系，以及它们随时间变化的动态特性。

2. 数据准备与预处理实战

2.1 原始数据解析与清洗

原始数据集包含每小时记录的空气质量指标和气象数据，时间跨度为5年。数据清洗的关键步骤包括：

处理缺失值：PM2.5列前24小时数据为NA，直接删除这些记录
统一时间索引：将年、月、日、小时合并为datetime类型的索引
列名重命名：使用更有意义的名称替换原始列名
数据类型转换：确保所有数值列为float32类型

from pandas import read_csv from datetime import datetime def parse(x): return datetime.strptime(x, '%Y %m %d %H') dataset = read_csv('raw.csv', parse_dates=[['year', 'month', 'day', 'hour']], index_col=0, date_parser=parse) dataset.drop('No', axis=1, inplace=True) dataset.columns = ['pollution', 'dew', 'temp', 'press', 'wnd_dir', 'wnd_spd', 'snow', 'rain'] dataset.index.name = 'date' dataset['pollution'].fillna(0, inplace=True) dataset = dataset[24:]

2.2 特征工程与编码

对于分类变量（如风向），我们需要进行编码转换。这里使用LabelEncoder将风向转换为整数：

from sklearn.preprocessing import LabelEncoder encoder = LabelEncoder() values[:,4] = encoder.fit_transform(values[:,4])

更复杂的场景可能需要考虑one-hot编码或嵌入层(Embedding)，但对于初步建模，整数编码通常足够。

2.3 数据标准化处理

由于各特征量纲不同（温度、气压等单位不同），必须进行标准化。我们使用MinMaxScaler将所有特征缩放到[0,1]范围：

from sklearn.preprocessing import MinMaxScaler scaler = MinMaxScaler(feature_range=(0, 1)) scaled = scaler.fit_transform(values)

标准化不仅加速模型收敛，还能防止某些特征因数值较大而主导模型训练。

3. 构建监督学习数据集

时间序列预测需要将数据转换为监督学习格式。我们定义series_to_supervised函数实现这一转换：

3.1 时间步长设计

对于多元时间序列，我们需要决定使用多少历史时间步作为输入。初始设置使用前1个小时的数据预测当前时刻：

def series_to_supervised(data, n_in=1, n_out=1, dropnan=True): n_vars = 1 if type(data) is list else data.shape[1] df = DataFrame(data) cols, names = list(), list() # 输入序列 (t-n, ..., t-1) for i in range(n_in, 0, -1): cols.append(df.shift(i)) names += [('var%d(t-%d)' % (j+1, i)) for j in range(n_vars)] # 预测序列 (t) for i in range(0, n_out): cols.append(df.shift(-i)) if i == 0: names += [('var%d(t)' % (j+1)) for j in range(n_vars)] else: names += [('var%d(t+%d)' % (j+1, i)) for j in range(n_vars)] agg = concat(cols, axis=1) agg.columns = names if dropnan: agg.dropna(inplace=True) return agg reframed = series_to_supervised(scaled, 1, 1)

3.2 输入输出分离

转换后的数据包含所有变量的历史值和当前值。我们只保留需要预测的当前时刻PM2.5浓度：

reframed.drop(reframed.columns[[9,10,11,12,13,14,15]], axis=1, inplace=True)

3.3 数据集划分

将数据划分为训练集和测试集。这里使用第一年数据作为训练集，剩余4年数据作为测试集：

values = reframed.values n_train_hours = 365 * 24 train = values[:n_train_hours, :] test = values[n_train_hours:, :] train_X, train_y = train[:, :-1], train[:, -1] test_X, test_y = test[:, :-1], test[:, -1]

4. LSTM模型构建与训练

4.1 数据维度调整

LSTM要求输入为3D张量：[样本数，时间步长，特征数]。我们的数据需要相应调整：

train_X = train_X.reshape((train_X.shape[0], 1, train_X.shape[1])) test_X = test_X.reshape((test_X.shape[0], 1, test_X.shape[1]))

4.2 模型架构设计

构建包含一个LSTM层（50个神经元）和一个全连接输出层的简单模型：

from keras.models import Sequential from keras.layers import LSTM, Dense model = Sequential() model.add(LSTM(50, input_shape=(train_X.shape[1], train_X.shape[2]))) model.add(Dense(1)) model.compile(loss='mae', optimizer='adam')

选择MAE（平均绝对误差）作为损失函数，因为它对异常值不如MSE敏感，更适合实际应用场景。

4.3 模型训练与验证

设置批量大小为72（3天的数据），训练50个epoch：

history = model.fit(train_X, train_y, epochs=50, batch_size=72, validation_data=(test_X, test_y), verbose=2, shuffle=False)

训练过程中同时监控训练集和验证集的损失，可以及早发现过拟合问题。

5. 模型评估与结果分析

5.1 预测结果反标准化

预测值需要转换回原始量纲才能正确评估：

from numpy import concatenate # 预测 yhat = model.predict(test_X) test_X = test_X.reshape((test_X.shape[0], test_X.shape[2])) # 反标准化预测值 inv_yhat = concatenate((yhat, test_X[:, 1:]), axis=1) inv_yhat = scaler.inverse_transform(inv_yhat) inv_yhat = inv_yhat[:,0] # 反标准化真实值 test_y = test_y.reshape((len(test_y), 1)) inv_y = concatenate((test_y, test_X[:, 1:]), axis=1) inv_y = scaler.inverse_transform(inv_y) inv_y = inv_y[:,0]

5.2 性能评估指标

计算RMSE（均方根误差）评估模型性能：

from sklearn.metrics import mean_squared_error from math import sqrt rmse = sqrt(mean_squared_error(inv_y, inv_yhat)) print('Test RMSE: %.3f' % rmse)

在本例中，模型取得了26.496的RMSE，优于简单的持久性模型（RMSE=30）。

5.3 训练过程可视化

绘制训练过程中的损失曲线有助于理解模型学习动态：

import matplotlib.pyplot as plt plt.plot(history.history['loss'], label='train') plt.plot(history.history['val_loss'], label='test') plt.legend() plt.show()

有趣的是，验证损失有时会低于训练损失，这可能是因为：

训练损失是每个batch的平均值，而验证损失是epoch结束时的计算值
正则化（如dropout）在训练时启用但验证时禁用
数据分布的特殊性导致验证集"更容易"预测

6. 高级技巧与模型优化

6.1 多时间步长输入

尝试使用3小时的历史数据作为输入，可能捕获更长的时间依赖：

n_hours = 3 n_features = 8 reframed = series_to_supervised(scaled, n_hours, 1) n_obs = n_hours * n_features train_X, train_y = train[:, :n_obs], train[:, -n_features] test_X, test_y = test[:, :n_obs], test[:, -n_features] train_X = train_X.reshape((train_X.shape[0], n_hours, n_features)) test_X = test_X.reshape((test_X.shape[0], n_hours, n_features))

6.2 模型架构改进

更复杂的架构可能提升性能：

堆叠多个LSTM层（return_sequences=True）
添加Dropout层防止过拟合
使用双向LSTM捕获前后文信息
结合CNN处理局部时间模式

from keras.layers import Dropout, Bidirectional model = Sequential() model.add(Bidirectional(LSTM(50, return_sequences=True), input_shape=(train_X.shape[1], train_X.shape[2]))) model.add(Dropout(0.2)) model.add(LSTM(50)) model.add(Dense(1))