简介这份资源是Python实现的EMD-CNN-LSTM时间序列预测完整源码与数据包面向需要完成课程设计、期末大作业或毕业设计的计算机、电子信息、数学类专业学生也适合刚接触深度学习的初学者对照学习。压缩包共3个文件包含2个csv数据文件和1个主程序py文件整体仅47KB小巧易用代码采用参数化编程关键参数可方便修改注释几乎覆盖每一行便于逐段读懂预测建模流程。目前已有1266人学习下载。资源内提供可直接运行的完整预测流程涵盖经验模态分解、卷积特征提取与长短期记忆网络组合建模的关键步骤并附有配套数据与保姆级注释能够帮助读者快速复现实验、理解时序预测算法原理进而迁移应用到自己的研究或作业场景中。1. Python 实现 EMD-CNN-LSTM 时间序列预测你拿到的源码到底能帮你解决什么问题如果你手头有一份标注“完整源码和数据”的 Python 文件大概率是想解决同一个痛点普通的 LSTM 或 CNN 模型跑出来的预测曲线总是慢半拍或者非平稳数据的误差大得离谱。EMD-CNN-LSTM 这种混合架构本质上是你把原始序列先用 EMD经验模态分解拆成不同频率的分量再让 CNN 去抓局部特征、让 LSTM 去记长期依赖最后合并预测。它适合股价、风速、负荷这类波动剧烈且带趋势的序列能比单一模型在 MAPE 上降低十几个百分点。这篇笔记不聊虚的直接按你拿到源码后的操作顺序把原理、代码骨架、参数设置和血泪经验一次讲透。2. 核心拆解EMD 分解、CNN 特征提取与 LSTM 时序建模各自解决什么问题2.1 EMD 的作用把混乱信号拆成规律分量少走“玄学”调参弯路常见的预测坑在于原始序列里既有长期趋势又有短周期波动和噪声。如果直接扔给 LSTM模型要同时拟合三种成分容易互相干扰。EMD 不需要像小波变换那样提前设定基函数它是自适应地把原始信号分解成若干个 IMF本征模态函数。IMF 有两个硬性条件极值点个数与过零点个数相等或最多差一个且上下包络线关于时间轴局部对称。实际做预测时我一般会保留分解出的前几个 IMF 和一个残差项。低频的 IMF 代表趋势高频的 IMF 代表噪声或短期波动。很多博主在源码里会直接把高频 IMF 扔掉但我的建议是先看相关性不要一刀切。如果高频 IMF 与目标值的相关性在 0.3 以下再丢弃这样能避免把有效突变信号误杀。在源码实现里EMD 往往是用 PyEMD 这个库完成的。拿到源码后你通常会看到类似这样的调用逻辑from PyEMD import EMD import numpy as np # 原始时间序列数据shape 为 (样本数量,) data np.array([...]) # 此处加载你的数据文件 # 创建 EMD 对象 emd EMD() # 执行分解返回多个 IMF 分量 imfs emd.emd(data) # imfs 的最后一行通常是残余分量 (residue) # 你可以通过 len(imfs) 查看拆成了几个分量 print(f分解得到的 IMF 数量: {len(imfs)})这段代码里最关键的点是emd.emd()函数默认使用样条插值来构造上下包络线这会带来边界效应在后面的避坑章节会专门说。另外PyEMD 在分解前会要求你设置extrema_detection和INTERP等参数源码里如果没写建议保持默认值因为调参的收益在前期并不大。2.2 CNN 与 LSTM 的分工局部特征提取与长期依赖记忆CNN 在时间序列里的作用不是图像识别而是用一维卷积核去提取局部特征。例如风速数据在连续 3 个时间点内可能有一个“突变尖峰”CNN 的卷积核恰好能捕捉这种局部模式。它的优势在于平移不变性和参数共享能让模型更鲁棒。CNN 之后接 LSTM 是经典做法。LSTM 通过输入门、遗忘门、输出门控制信息流动能记住几十个时间步之前的状态。如果你在源码里看到模型定义大概率是先用nn.Conv1d做卷积再通过nn.LSTM提取时序依赖最后接全连接层输出预测值。这里有一个常见误区CNN 的池化层在时间序列里要不要加我的经验是加了MaxPool1d能压缩序列长度减少 LSTM 的计算量但也会丢失峰值信息。在 EMD 分解后的分量里高频分量往往包含尖峰所以在高频分支上建议少用或不用池化。以下是一个典型的 CNN-LSTM 模型定义片段和大多数源码包里的结构类似import torch.nn as nn class CNN_LSTM(nn.Module): def __init__(self, cnn_in_channels, cnn_out_channels, lstm_hidden_size, num_layers, output_size): super(CNN_LSTM, self).__init__() # 一维卷积输入通道为1输出为cnn_out_channels卷积核大小为3 self.cnn nn.Conv1d(cnn_in_channels, cnn_out_channels, kernel_size3, padding1) self.relu nn.ReLU() # LSTM卷积后的特征维度作为输入维度hidden_size 控制记忆容量 self.lstm nn.LSTM(input_sizecnn_out_channels, hidden_sizelstm_hidden_size, num_layersnum_layers, batch_firstTrue) self.fc nn.Linear(lstm_hidden_size, output_size) def forward(self, x): # x shape: (batch_size, seq_len, 1) # 调整为 (batch_size, 1, seq_len) 以适配 Conv1d x x.permute(0, 2, 1) x self.cnn(x) x self.relu(x) # 恢复为 (batch_size, seq_len, cnn_out_channels) x x.permute(0, 2, 1) lstm_out, (h_n, _) self.lstm(x) # 取最后一个时间步的输出 out self.fc(lstm_out[:, -1, :]) return out注意这里的cnn_in_channels通常设为 1因为每个样本是单变量时间序列。如果你处理的是多变量输入这个值需要对应特征数。padding1是为了保持序列长度不变否则卷积后长度缩短会导致 LSTM 的输入维度错乱。2.3 混合架构的连接方式串行、并行与特征融合拿到源码时先看它是怎么把 EMD、CNN、LSTM 拼起来的。常见的架构有两种第一种是串行结构原始序列先经过 EMD 得到多个分量每个分量单独进入一个 CNN-LSTM 分支最后把每个分支的预测相加得到最终结果第二种是并行结构EMD 分解后把高频和低频分量拼接成一个多通道矩阵直接传入一个 CNN-LSTM 模型。第一种结构的好处是可解释性强你能知道每个分量贡献了多少预测值缺点是训练时间和内存开销翻倍。第二种结构更简洁代码量少但如果分量之间的尺度差异过大需要特别注意归一化。源码包里如果是第二种结构通常会有一个数据预处理步骤把多个 IMF 堆叠成 shape 为(样本数, 序列长度, 特征数)的三维张量。这一步看似简单但隐藏着一个大坑特征数的排列顺序。你必须在通道维度上把原始序列和所有分量按固定顺序排列否则模型会学到一个完全不同的分界面预测结果出现周期性错乱。3. 落地实操从源码到跑通 EMD-CNN-LSTM 的最小代码骨架3.1 环境配置Python 版本与依赖库版本匹配是第一步踩坑区拿到源码后不要急着跑。先看requirements.txt或源码头部的import块。这个模型至少需要四个核心库numpy、pandas、torch、PyEMD另外matplotlib和sklearn用于绘图和归一化。torch 版本建议装 2.0 以上CPU 版本在 Windows 下直接pip install torch即可。PyEMD 这个库有点特殊最新版对 Python 3.10 以上支持较好如果你的 Python 是 3.8 以下可能需要安装EMD-signal的替代方案。以下是一个环境配置的最小命令序列照着执行能省去 80% 的导入报错# Python 版本建议 3.9 及以上 pip install numpy pandas matplotlib scikit-learn # 安装深度学习框架CPU 版本即可支撑教学和中小数据集 pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cpu # 安装经验模态分解库 pip install EMD-signal注意这里安装的是EMD-signal而不是PyEMD新版EMD-signal的包名虽然是PyEMD但导入方式依然是from PyEMD import EMD。装完以后测试一下import torch; print(torch.__version__)能打印版本号就说明基本环境没问题。3.2 数据加载与滑动窗口构建把一维序列变成监督学习样本时间序列预测不是直接把整条序列喂给模型而是用滑动窗口造样本。假设序列长度为 1000窗口大小设为 24那么样本数就是 977。源码包里一般会有一个create_dataset函数核心逻辑如下import numpy as np def create_dataset(data, time_step24, predict_step1): X, y [], [] for i in range(len(data) - time_step - predict_step): # 取出连续 time_step 个点作为输入特征 X.append(data[i : i time_step]) # 取出未来 predict_step 个点作为预测目标 y.append(data[i time_step : i time_step predict_step]) return np.array(X), np.array(y)这段代码里有两个参数最关键time_step和predict_step。time_step决定了 LSTM 能看多长的历史对于风速数据取 24 代表看过去一天对于股票数据取 5 代表看过去一周。predict_step是多步预测的步长如果设为 3那么 y 的 shape 就是(样本数, 3)意味着模型同时输出未来三个点的预测值。滑动窗口的边界条件要特别注意。循环条件里len(data) - time_step - predict_step少了一个predict_step这会导致最后几条数据无法生成完整的 y属于隐性数据丢失。如果发现预测长度比实际短优先检查这里。另外在喂给模型前必须做归一化。源码里常用MinMaxScaler但很多人会把归一化放在create_dataset之后进行这是一个严重错误。因为窗口切分时MinMaxScaler需要从整个训练集计算 min 和 max如果先切分再缩放相当于在窗口内独立归一化会完全破坏序列的幅值关系。正确的顺序是先 fit scaler再 transform最后切窗口。3.3 训练主循环与损失函数为什么 MSE 而不是 MAEEMD-CNN-LSTM 的训练循环和普通的 PyTorch 模型没有本质区别但有几个针对性的设计。首先损失函数我强烈建议用 MSE均方误差因为 LSTM 在反向传播时对梯度敏感MSE 对大误差的惩罚更重能更快收敛。如果你用 MAE预测曲线会变得特别平滑所有尖峰都被抹平了。其次是学习率的设置。源码里如果用了固定的lr0.001在小数据集上容易振荡。我习惯用ReduceLROnPlateau调度器当验证集 loss 连续 5 个 epoch 不下降时把学习率乘以 0.1。这在训练 200 个 epoch 时效果显著。下面是训练循环的精简版代码看懂了它你就知道如何调整超参import torch import torch.nn as nn from torch.utils.data import DataLoader, TensorDataset # 假设 X_train 和 y_train 已经通过 create_dataset 得到并且是 numpy 数组 X_train torch.tensor(X_train, dtypetorch.float32).unsqueeze(-1) # 增加特征维度 y_train torch.tensor(y_train, dtypetorch.float32) train_dataset TensorDataset(X_train, y_train) train_loader DataLoader(train_dataset, batch_size64, shuffleTrue) model CNN_LSTM(cnn_in_channels1, cnn_out_channels32, lstm_hidden_size64, num_layers2, output_sizepredict_step) criterion nn.MSELoss() optimizer torch.optim.Adam(model.parameters(), lr0.001) scheduler torch.optim.lr_scheduler.ReduceLROnPlateau(optimizer, min, patience5, factor0.1) num_epochs 100 for epoch in range(num_epochs): model.train() train_loss 0.0 for batch_X, batch_y in train_loader: optimizer.zero_grad() outputs model(batch_X) loss criterion(outputs, batch_y) loss.backward() optimizer.step() train_loss loss.item() * batch_X.size(0) train_loss / len(train_loader.dataset) # 每个 epoch 后更新学习率防止后期振荡 scheduler.step(train_loss) if (epoch 1) % 20 0: print(fEpoch [{epoch1}/{num_epochs}], Loss: {train_loss:.6f})这里有一个细节unsqueeze(-1)把输入维度从(batch_size, seq_len)变为(batch_size, seq_len, 1)这是为了匹配前面forward函数里的permute逻辑。shuffleTrue对训练集是必要的可以打破时序中的自相关性防止模型记住顺序。cnn_out_channels32是一个经验值如果数据量小可以降到 16如果数据波动剧烈可以升到 64。num_layers2的 LSTM 堆叠两层是为了让模型能建模更高阶的时序依赖但层数再多就容易出现过拟合在小数据集上三层就是上限了。4. 参数调优与数据预处理让模型从“能跑”到“精准”的必经之路4.1 数据切分比例与验证集的正确打开方式很多源码包在切分数据时简单地用train_test_split随机切分。这在时间序列里是致命的因为序列的前后有时间顺序随机切分会把未来数据泄露到训练集里。正确做法是按时间顺序切分比如取前 80% 作为训练集后 20% 作为测试集。更讲究一点要从训练集里再切出一部分作为验证集。验证集的作用是用来调超参的它不能和测试集有任何重叠。我的习惯是训练集 : 验证集 : 测试集 6 : 2 : 2。如果原始数据是 10000 条那么训练集取前 6000 条验证集取第 6000 到 8000 条测试集取最后 2000 条。切分后要立刻检查一个数据边界问题验证集和测试集的起始点是粘在一起的验证集结束的最后一个窗口能否作为测试集第一个窗口的输入如果遵循时间顺序切分验证集最后一条可以通过滑动窗口覆盖到测试集的边界但测试集的起点必须至少隔一个time_step的长度否则预测结果是基于验证集的末端数据得出的属于间接数据泄露测试集指标会偏高。4.2 必调参数清单IMF 数量、卷积核大小、LSTM 隐藏层节点的联动关系参数调优不是单独调某一个而是联动调整。下表是我在做这个模型时整理的推荐范围你可以对照源码里的初始值微调参数名称典型取值范围联动关系与调整逻辑EMD 保留 IMF 数量3 ~ 6 个数量越多高频噪声被拆得越细CNN 需要更大的卷积核才能覆盖CNN 卷积核大小3 ~ 5数值越大看到的局部窗口越宽适合低频分量高频分量建议用 3CNN 输出通道数16 ~ 64与 IMF 数量成正比分量多时相应增加否则特征提取不足LSTM 隐藏层大小32 ~ 128如果 CNN 输出通道数很大隐藏层不宜太小否则信息瓶颈LSTM 层数1 ~ 3数据长度小于 500 时用 1 层500 ~ 5000 用 2 层超过 5000 才考虑 3 层Batch Size32 ~ 128与数据量挂钩数据量大就用 128数据量小用 32 防过拟合学习率0.0005 ~ 0.005与 LSTM 隐藏层大小相关隐藏层越大学习率相应调低高频分量占比多的序列比如股价的高频震荡卷积核大小固定为 3cnn_out_channels适当提高低频趋势显著的序列比如气温或日负荷卷积核可以设为 5这样卷积操作能看到更长的趋势片段。LSTM 隐藏层大小和 CNN 输出通道存在一个乘法耦合关系。经验公式是lstm_hidden_size尽量接近cnn_out_channels * 2。如果 CNN 输出是 32那么 LSTM 隐藏层设为 64 通常是最优起点。如果隐藏层设得太小模型会把 CNN 提取的丰富特征压缩成一个窄向量导致信息丢失预测曲线变成锯齿状。4.3 评估指标为什么 MAPE 比 R² 更符合业务直觉训练过程看的loss是 MSE但衡量模型好坏不能用它因为 MSE 受量纲影响你拿它没法判断预测精度是 3% 还是 15%。源码里一般会附带一个evaluate函数计算 RMSE、MAE 和 MAPE。RMSE 对大误差的惩罚更狠如果你特别不能容忍某些尖峰的巨大偏差就用 RMSE 作为主要依据。MAPE 是百分比误差更适合向非技术背景的人展示“我们的平均误差在 5% 左右”。但这三个指标必须放在反归一化之后计算也就是把预测值变回原始数据的尺度再去和真实值比较否则归一化后的误差完全失真。在写代码时我习惯在训练结束后把所有测试集的预测结果一次性推理出来统一反归一化再计算指标。这样可以避免分 batch 反归一化时出现的尺度错乱。如果源码是按 batch 推理预测你需要改造成全量推理否则最后画出来的对比图会有明显的分段断裂感。5. 避坑手册EMD-CNN-LSTM 实战中的 5 个高频“翻车”现场5.1 翻车现场训练集损失低到离谱测试集却完全失效现象训练 loss 降到 0.001 以下但测试集预测曲线在真实值附近剧烈抖动MAPE 高达 80%。原因这是典型的数据泄露。常见做法是把归一化、滑动窗口和 EMD 分解统一放在整个数据集上完成再切分训练测试集。EMD 分解本身具有全局性它在计算极值包络线时用到了测试集的数据相当于把未来的信息混进了训练集。解决严格遵循“先切分后处理”的原则。先按时间顺序切分训练集和测试集在训练集上做 EMD 分解然后把测试集数据直接放入训练集分解得到的包络函数中。但 PyEMD 的emd函数不支持外推新数据所以退而求其次的做法是只对训练集做分解测试集保持原始数据再用训练集的 stats 进行归一化。数据泄露是这些源码里最容易埋雷的地方拿到代码先看数据处理顺序。5.2 翻车现场EMD 边界效应导致预测起点严重偏离现象预测曲线的第一个点总是偏差特别大大约前 5 到 10 个预测点完全不能用后面才慢慢恢复正常。原因EMD 在序列两端进行插值构造包络线时由于端点之外的极值点是未知的会造成端点处的 IMF 分量发散。这个被污染的 IMF 进入 CNN-LSTM 训练后模型学到了错误的起点模式。解决最有效的办法是在进行 EMD 分解前对序列两端做“延拓”。常见做法是把序列左右各扩展序列长度的 5% 或 10%然后对延拓后的序列做分解最后再裁剪回原始长度。在源码里如果你看到类似np.concatenate((data[::-1][:ext_len], data, data[::-1][:ext_len]))的代码这是在镜像延拓这种技巧能显著削弱边界效应。如果源码里没有任何延拓处理你需要自己补上。5.3 翻车现场CNN 输入形状与 LSTM 输入维度不匹配现象模型一旦跑起来就报错提示RuntimeError: Expected 3D tensor as input to LSTM或者mat1 and mat2 shapes cannot be multiplied。原因LSTM 期望的输入是三维张量(batch, seq_len, input_size)。但经过 Conv1d 后数据的维度排列发生了改变。你在forward里手动permute的维度顺序和模型初始化的input_sizecnn_out_channels必须严格对应。很多人把permute写错位置或者漏了batch_firstTrue的设置。解决养成在forward里写注释的习惯。明确标注每个张量在关键变换后的 shape。例如输入x是(batch, seq_len, 1)permute之后是(batch, 1, seq_len)卷积后是(batch, cnn_out_channels, seq_len)再permute恢复成(batch, seq_len, cnn_out_channels)。只要有一处 shape 不对后续的张量乘法就会直接报错。调试时可以在卷积和 LSTM 之间加一个print(x.shape)来定位是哪一步断了。5.4 翻车现场显存不足与 CPU 训练时间过长现象笔记本上跑这个模型每个 epoch 耗时几十秒训练 200 个 epoch 要等几个小时甚至直接CUDA out of memory。原因混合模型参数量大而且如果采用多分支独立结构多个分量各用一个 CNN-LSTM内存占用是成倍增加的。解决如果你用的是单变量序列建议不要把 EMD 的每个分量都单独建一个模型。采用并行结构把 5 个分量堆叠成一个 5 通道的输入只用一个 CNN-LSTM 模型参数量减少 80%。另外把batch_size从 128 降到 32损失函数用 MSELoss 的 reduction 方式改为sum也不建议直接保持默认。在 CPU 上训练时设置torch.set_num_threads(4)能利用多核比不设置快很多。5.5 翻车现场预测结果滞后曲线向右平移一个 step现象预测波峰比真实波峰晚一个时间点计算 RMSE 时发现误差集中在波峰波谷处。原因这是时间序列预测里最经典的“相位滞后”问题。LSTM 在训练时通过最小化 MSE 学到了当前时刻和下一时刻的平滑映射。当数据带有强自相关性时模型会倾向于输出上一时刻的值来最小化误差因为没有足够的信息去预判突变。解决第一个思路是把输入特征增强不仅仅用原始序列而是把一阶差分序列作为额外输入维度和原始序列堆叠。这能迫使模型注意到变化趋势。第二个思路是在训练时对标签做轻微平滑处理比如用LabelSmoothing的变体减轻模型对精确值的强拟合。如果滞后依然存在检查time_step是否足够大过小的窗口会让模型看不到足够长的上升趋势。6. 进阶玩法把 EMD-CNN-LSTM 用到多步预测与滚动预测上的验证技巧这里说说如何用这份源码做多步预测。很多用户拿到代码后发现只能预测未来一个点很不实用。实际上多步预测有两种做法。第一种是迭代预测把预测出来的第一个点拼接到输入序列尾部再预测第二个点以此类推。这种做法的缺点很致命误差会随着迭代步数累积预测 5 步以后曲线基本变成一条直线。第二种是直接多步输出也就是前面代码里predict_step设为大于 1 的值一次性输出未来多个点的预测值。直接多步输出适用于短期预测步数最好不要超过time_step的三分之一。如果你窗口是 24最多预测未来 8 个点超过 8 个点建议重新训练一个步数更长的模型而不是硬让同一个模型预测太远的未来。验证模型是否有效除了看 MAPE更直观的方法是画误差热力图。把测试集预测值和真实值做差按时间步绘制出来你能看到误差是随机分布在零轴附近还是集中在某个时间段。如果误差集中在某个区间说明模型在那个时段学到了错误的模式。我一般的习惯是训练完成后会保存模型的 state_dict 和 scaler 的切片当新数据来临时直接调用加载的模型做推理而不需要重新训练。在推理阶段有一个容易忽视的细节对新数据做 EMD 分解时边界效应同样存在。此时不能再延拓了因为延拓会引入未来的假设值。处理办法是只对输入窗口内的数据做 EMD 分解不对全序列做这样虽然分解精度略微下降但保证了推理时没有信息泄露。最后说一句关于超参的玄学问题。很多人在跑这个模型时总觉得别人论文里的参数在自己的数据上不奏效就开始疯狂调参。我的经验是当你发现模型怎么调都不收敛时大概率不是参数的问题而是数据预处理环节出了问题。回头检查一下归一化是 fit 在训练集还是全集EMD 分解是否混入了验证集数据切分是否按时间顺序把这些血泪经验排查完再动参数不迟。希望这些踩坑总结能帮到你少走弯路。本文还有配套的精品资源点击获取