简介这份资源面向计算机、电子信息工程、数学等专业的大学生及算法初学者提供EMD-CNN-LSTM时间序列预测的完整Python实现方案可用于课程设计、期末大作业或毕业设计。资源包共3个文件包含2个CSV数据集与1个Python源码文件压缩包约47KB其中CSV文件提供焦作地区原始数据与完整数据py文件承载EMD分解、CNN特征提取与LSTM预测的完整建模流程。代码采用参数化编程参数可灵活调整且配有保姆级注释几乎一行一注释便于零基础读者理解每一步实现逻辑。作者为某大厂资深算法工程师具备八年Matlab与Python算法仿真经验擅长神经网络预测与信号处理。目前已有1266人学习下载读者可借此掌握从经验模态分解到深度网络预测的完整链路并快速迁移至自身课题。1. EMD-CNN-LSTM 组合模型一条时间序列预测的工程化拆解路线单靠 LSTM 去拟合一条非平稳、带强噪声的时序曲线翻车是常态。我最早做电力负荷预测时直接把原始序列喂进 LSTM训练集 loss 一路下降验证集却像心电图一样抖后来才想明白模型在学噪声不是在学趋势。EMD-CNN-LSTM 这套组合拳解决的正是这个问题——先用经验模态分解EMD把原始序列拆成若干个本征模态函数IMF和残差让不同尺度的波动各归各的层再用 CNN 在局部窗口上抽特征压掉高频毛刺最后交给 LSTM 捕捉长程依赖。它适合手里有单变量或多变量时序、数据量中等、又不想上 Transformer 那套重装备的从业者。Python 生态里这套流程完全可复现下面把我实际落地的路径拆开讲。2. 为什么是 EMD 打头分解、重构与数据泄漏的边界2.1 EMD 到底在做什么为什么它适合非平稳序列经验模态分解的核心思想是任何复杂信号都能拆成有限个本征模态函数IMF每个 IMF 满足两个条件——极值点数量和过零点数量相差不超过一个且上下包络均值为零。它不依赖基函数完全由数据自身驱动所以对非平稳、非线性序列特别友好。相比之下小波变换要选母小波和分解层数选错了结果差很多傅里叶变换则默认全局平稳对突变点无能为力。EMD 的分解过程叫“筛分”找局部极大值和极小值用三次样条插值构造上下包络取均值原序列减均值得到第一个分量重复直到满足 IMF 条件。剩下的残差再继续筛直到残差单调或极值太少。最终得到 IMF1 到 IMFn 加一个残差 r。IMF1 频率最高往后频率递减残差代表趋势项。对预测任务来说这个拆解的价值在于高频 IMF 往往是噪声或短周期波动低频 IMF 和残差是趋势。分开建模模型不用同时兼顾两种截然不同的动态收敛更稳。2.2 分解后怎么组织成监督学习样本分解完不能直接把所有 IMF 堆在一起喂模型得决定每个分量单独预测还是联合预测。常见做法有两种逐分量独立预测每个 IMF 和残差各自训练一个模型最后求和。优点是简单缺点是分量多时模型数量爆炸且忽略了分量间的耦合。多通道联合预测把所有 IMF 和残差作为多变量输入一个模型输出所有分量。优点是共享参数、考虑耦合缺点是对齐要求高。我一般用第二种通道数等于 IMF 数量加残差。构造样本时用滑动窗口窗口长度 look_back 决定用过去多少步预测未来一步。假设分解后有 K 个分量每个分量长度 N那么输入形状是 (样本数, look_back, K)输出形状是 (样本数, K)。import numpy as np from PyEMD import EMD def emd_decompose(series, max_imf8): # series: 一维 numpy 数组 emd EMD() imfs emd.emd(series, max_imfmax_imf) # 返回 (n_imf, N) # 残差 原序列 - 所有 IMF 之和 residual series - imfs.sum(axis0) # 堆成 (N, K)K n_imf 1 components np.vstack([imfs, residual]).T return components def make_windows(components, look_back24, horizon1): X, y [], [] n components.shape[0] for i in range(n - look_back - horizon 1): X.append(components[i:ilook_back, :]) y.append(components[ilook_back:ilook_backhorizon, :].squeeze()) return np.array(X), np.array(y)max_imf控制分解层数太大容易过分解出伪分量太小则趋势和波动混在一起。我一般先不限制看分解结果再定通常 6 到 10 层够用。look_back是回看窗口日频数据常用 7 到 30小时频用 24 到 168。horizon是预测步长单步预测设 1。注意EMD 对整段序列做分解时用到了未来信息如果直接拿分解后的分量构造训练集和测试集会造成数据泄漏。正确做法见 2.3。2.3 数据泄漏EMD 最容易被忽略的坑这是血泪经验。很多人把整条序列丢进 EMD分解完再切训练集测试集看起来没问题实际上测试集的 IMF 里已经混入了训练集之后的信息。模型在验证集上表现好得离谱上线就崩。正确做法有两种滚动分解每次预测时只用当前可用的历史窗口做 EMD分解完取最后一个时间步的分量作为输入。计算量大但最严谨。分段分解训练集单独分解测试集拼接时用训练集末尾的包络延续或者对测试段单独分解但只用于构造输入不参与训练统计。工程上折中方案是训练集整体分解一次测试集按滑动窗口逐段分解保证每个测试样本的分解只依赖该样本之前的数据。下面是一个滚动分解的简化实现def rolling_emd_predict(series, model, look_back24, max_imf8): preds [] for t in range(look_back, len(series)): window series[t-look_back:t] comps emd_decompose(window, max_imfmax_imf) # (look_back, K) x comps[np.newaxis, :, :] # (1, look_back, K) y_hat model.predict(x, verbose0) # (1, K) preds.append(y_hat.sum()) # 分量求和还原 return np.array(preds)这段代码每个时间步都重新分解慢但安全。如果数据量大可以每 24 步分解一次中间步复用。3. CNN-LSTM 主干把局部特征和长程依赖接起来3.1 为什么 CNN 放在 LSTM 前面而不是反过来CNN 擅长提取局部模式卷积核在时间轴上滑动能捕捉短时突变、周期尖峰这类局部形态。LSTM 擅长记忆长程依赖但直接把原始序列喂进去它要同时处理噪声和趋势负担重。先 CNN 后 LSTM 的顺序等于让 CNN 做一次特征压缩和去噪LSTM 拿到的是更干净的中间表示。反过来 LSTM 在前、CNN 在后LSTM 输出的隐状态已经混了长程信息再卷积意义不大而且 LSTM 输出序列长度和输入一致CNN 感受野反而受限。所以主流做法都是 CNN 做前端。具体结构上一维卷积核大小一般取 3 或 5步长 1padding 用 same 保持长度。卷积后接池化会缩短序列如果后面 LSTM 还需要较长序列池化要谨慎或者用步长卷积代替池化。我一般用两层 Conv1D 加 BatchNorm 和 ReLU不池化直接进 LSTM。3.2 用 Keras 搭一个可跑的 EMD-CNN-LSTM下面是我常用的网络结构输入形状 (look_back, K)K 是分量数。from tensorflow.keras import layers, models def build_emd_cnn_lstm(look_back, n_components, cnn_filters64, kernel_size3, lstm_units64, dropout0.2): inp layers.Input(shape(look_back, n_components)) # 第一层卷积提取局部形态 x layers.Conv1D(cnn_filters, kernel_size, paddingsame)(inp) x layers.BatchNormalization()(x) x layers.Activation(relu)(x) # 第二层卷积加深特征 x layers.Conv1D(cnn_filters, kernel_size, paddingsame)(x) x layers.BatchNormalization()(x) x layers.Activation(relu)(x) x layers.Dropout(dropout)(x) # LSTM 捕捉长程依赖 x layers.LSTM(lstm_units, return_sequencesFalse)(x) x layers.Dropout(dropout)(x) x layers.Dense(32, activationrelu)(x) out layers.Dense(n_components)(x) # 输出所有分量 model models.Model(inp, out) model.compile(optimizeradam, lossmse, metrics[mae]) return modelcnn_filters控制卷积通道数太小欠拟合太大过拟合64 是常用起点。kernel_size取 3 或 5对应捕捉 3 到 5 步的局部模式。lstm_units一般 32 到 128数据量大可以往上加。dropout放在卷积后和 LSTM 后各一次防止过拟合。输出层维度等于分量数因为要同时预测所有 IMF 和残差。训练时损失用 MSE优化器 Adam 默认学习率 1e-3。如果 loss 震荡降到 1e-4。batch_size 常用 32 或 64epochs 配合 EarlyStoppingpatience 设 10 到 20。3.3 训练、验证与还原从分量预测回到原始尺度训练完模型输出的是各分量的预测值要还原成原始序列直接把所有分量相加即可。评估指标用 RMSE、MAE、MAPE。注意 MAPE 在序列接近零时会爆炸如果数据有零值改用 SMAPE 或直接看 RMSE。from tensorflow.keras.callbacks import EarlyStopping model build_emd_cnn_lstm(look_back24, n_componentscomponents.shape[1]) es EarlyStopping(monitorval_loss, patience15, restore_best_weightsTrue) history model.fit(X_train, y_train, validation_data(X_val, y_val), epochs200, batch_size32, callbacks[es], verbose1) # 预测并还原 y_pred_components model.predict(X_test) # (n, K) y_pred y_pred_components.sum(axis1) # 还原原始尺度 y_true y_test.sum(axis1)restore_best_weightsTrue保证拿回验证集最优的权重而不是最后一轮的。验证集从训练集尾部切不要从测试集切。如果分量量纲差异大训练前对每个分量做标准化预测后再反标准化否则大尺度分量会主导 loss。4. 避坑与排查这套组合模型最容易翻车的五个地方4.1 分解层数拍脑袋定结果过分解出伪 IMF现象EMD 分解出十几个 IMF后面几个几乎全是噪声模型学不动验证集 RMSE 反而比不分解还高。原因max_imf没限制或者序列本身噪声大筛分过程把噪声也拆成了独立分量。解决先可视化分解结果看每个 IMF 的频谱和方差贡献。方差贡献小于 1% 的分量直接并入残差或丢弃。max_imf一般设 6 到 10超过 10 层基本是过分解。4.2 训练集测试集一起分解验证指标虚高现象验证集 RMSE 低到 0.01上线后预测偏差巨大。原因整段序列一次性 EMD测试段的分量包含了训练段之后的信息属于典型数据泄漏。解决按 2.3 的滚动分解或分段分解确保每个测试样本的分解只依赖历史数据。这个坑我踩过两次第二次是帮别人调模型时发现的对方坚持说“分解是无监督的不会有泄漏”结果一查验证集曲线完美得不像话。4.3 分量量纲不统一大尺度分量吃掉梯度现象训练 loss 下降很慢预测结果几乎等于残差的平移。原因残差和低频 IMF 数值范围可能是高频 IMF 的几十倍MSE 被大分量主导小分量学不到。解决对每个分量单独做 StandardScaler 或 MinMaxScaler训练完反变换再求和。或者用加权 loss给小分量更高权重。4.4 LSTM 层数堆太多梯度消失反而更严重现象加到三层 LSTM 后训练 loss 不降验证 loss 上升。原因LSTM 虽然缓解梯度消失但堆叠过多、序列又长时梯度依然会衰减而且参数多容易过拟合。解决一到两层 LSTM 足够lstm_units不要超过 128。如果序列很长考虑在 LSTM 前加下采样或增大 CNN 感受野而不是加 LSTM 层数。4.5 用未来数据做标准化评估结果不可信现象离线评估很好实际部署时输入分布和训练分布对不上。原因标准化时用了全量数据的均值和方差测试集信息泄漏到训练过程。解决标准化参数只在训练集上 fit测试集 transform。滚动预测时每个窗口用该窗口之前的统计量或者固定用训练集的统计量。5. 进阶技巧用滚动预测和误差分解验证模型到底靠不靠谱单步预测指标好看不代表模型有用真正上线要看多步滚动预测。做法是预测下一步后把预测值拼回输入序列再预测下一步如此滚动。这样误差会累积能暴露模型在长程上的真实能力。def multi_step_forecast(model, last_window, n_steps, scaler_params): # last_window: (look_back, K) 已标准化 preds [] window last_window.copy() for _ in range(n_steps): x window[np.newaxis, :, :] y_hat model.predict(x, verbose0)[0] # (K,) preds.append(y_hat) # 把预测分量拼到窗口末尾去掉最老的一步 window np.vstack([window[1:], y_hat]) preds np.array(preds) # (n_steps, K) # 反标准化后求和 preds_inv preds * scaler_params[std] scaler_params[mean] return preds_inv.sum(axis1)n_steps一般设 7 到 30看业务能容忍多长的预测窗口。滚动预测的 RMSE 通常比单步高 30% 到 100%如果高得离谱说明模型在长程上不可靠得回头检查分解策略或网络结构。另一个验证手段是误差分解把预测误差按分量拆开看哪个分量贡献最大。如果高频 IMF 的误差占主导说明 CNN 去噪不够如果残差误差大说明 LSTM 没抓住趋势。我一般会画一张误差贡献柱状图比看总 RMSE 有用得多。还有个习惯每次调完参固定随机种子跑三次取指标均值和标准差。如果三次结果波动超过 10%说明模型不稳定参数或数据划分有问题别急着上线。这套 EMD-CNN-LSTM 我前后调了大概两个月最大的教训就是别迷信单次评估结果滚动预测加多次重复才是后悔药。希望帮到你。本文还有配套的精品资源点击获取