lstm优化算法组合模型/python
基于python的lstm时间预测模型，包括cnn、ssa、vmd、woa等多种优化算法组合模型，可用于各种数据的预测。
1、单变量，多变量输入，自由切换
2、单步预测，多步预测，自动切换
3、基于TensorFlow框架，单输出
4、多个评估指标（MAE,MSE,R2等）
保姆级教程，每行代码都有详细注释
以下代码仅供参考
以下是一个基于 Python + TensorFlow 的 LSTM 多算法融合预测模型，支持：
✅ 单变量 / 多变量输入
✅ 单步 / 多步预测
✅ 集成CNN-LSTM、SSA（麻雀搜索算法）、VMD（变分模态分解）、WOA（鲸鱼优化算法）等优化模块
✅ 完整评估指标（MAE, MSE, RMSE, MAPE, R²）
✅保姆级注释，每行代码清晰可读
📦 一、环境依赖
pipinstallnumpy pandas matplotlib scikit-learn tensorflow pywt vmdpy# 注意：SSA 和 WOA 为自定义实现，无需额外安装⚠️
vmdpy安装（若未安装）：
pipinstallvmdpy📁 二、完整代码（保存为lstm_optimized_forecast.py）
# -*- coding: utf-8 -*-""" LSTM 多算法融合时间序列预测模型 支持：单/多变量输入、单/多步预测、CNN-LSTM、VMD、SSA、WOA 优化 作者：AI助手 日期：2026年1月 """importnumpyasnpimportpandasaspdimportmatplotlib.pyplotaspltfromsklearn.preprocessingimportMinMaxScalerfromsklearn.metricsimportmean_absolute_error,mean_squared_error,r2_scoreimporttensorflowastffromtensorflow.keras.modelsimportSequentialfromtensorflow.keras.layersimportDense,LSTM,Conv1D,MaxPooling1D,Dropout,RepeatVectorfromtensorflow.keras.optimizersimportAdamfromtensorflow.keras.callbacksimportEarlyStoppingimportwarnings warnings.filterwarnings('ignore')# -----------------------------# 第一部分：数据预处理工具函数# -----------------------------defcreate_dataset(data,look_back,look_forward=1):""" 创建时间序列滑动窗口数据集 :param data: 输入数据 (numpy array, shape=[n_samples, n_features]) :param look_back: 输入时间步长（过去多少步） :param look_forward: 输出时间步长（预测未来多少步） :return: X (输入), y (输出) """X,y=[],[]foriinrange(len(data)-look_back-look_forward+1):X.append(data[i:(i+look_back)])# 多步预测：取未来 look_forward 步y.append(data[(i+look_back):(i+look_back+look_forward),0])# 默认预测第0列（主目标）returnnp.array(X),np.array(y)defnormalize_data(data,scaler=None):"""归一化数据到 [0,1] 区间"""ifscalerisNone:scaler=MinMaxScaler(feature_range=(0,1))data_scaled=scaler.fit_transform(data)else:data_scaled=scaler.transform(data)returndata_scaled,scaler# -----------------------------# 第二部分：VMD 变分模态分解（用于信号去噪/分解）# -----------------------------defapply_vmd(data,alpha=2000,tau=0.0,K=5,DC=0,init=1,tol=1e-7):""" 对单变量时间序列进行 VMD 分解 :param data: 一维时间序列 (shape=[n,]) :return: 分解后的 IMF 分量列表 """try:fromvmdpyimportVMD u,u_hat,omega=VMD(data,alpha,tau,K,DC,init,tol)returnu# shape = [K, len(data)]exceptExceptionase:print(f"⚠️ VMD 分解失败，跳过:{e}")returnNone# -----------------------------# 第三部分：优化算法（WOA + SSA）# -----------------------------classWOA:"""鲸鱼优化算法（Whale Optimization Algorithm）"""def__init__(self,obj_func,bounds,n_whales=10,max_iter=20):self.obj_func=obj_func self.bounds=bounds# [(min1, max1), (min2, max2), ...]self.n_whales=n_whales self.max_iter=max_iter self.dim=len(bounds)defoptimize(self):# 初始化鲸鱼位置whales=np.random.uniform(low=[b[0]forbinself.bounds],high=[b[1]forbinself.bounds],size=(self.n_whales,self.dim))fitness=np.array([self.obj_func(w)forwinwhales])best_idx=np.argmin(fitness)best_whale=whales[best_idx].copy()best_fitness=fitness[best_idx]fortinrange(self.max_iter):a=2-2*(t/self.max_iter)# 收敛因子foriinrange(self.n_whales):r1,r2=np.random.rand(),np.random.rand()A=2*a*r1-a C=2*r2ifnp.random.rand()<0.5:ifabs(A)<1:# Encircling preyD=abs(C*best_whale-whales[i])whales[i]=best_whale-A*Delse:# Search for preyrand_whale=whales[np.random.randint(self.n_whales)]D=abs(C*rand_whale-whales[i])whales[i]=rand_whale-A*Delse:# Spiral updatingdistance=abs(best_whale-whales[i])b=1l=np.random.uniform(-1,1)whales[i]=distance*np.exp(b*l)*np.cos(2*np.pi*l)+best_whale# 边界处理whales[i]=np.clip(whales[i],[b[0]forbinself.bounds],[b[1]forbinself.bounds])fitness[i]=self.obj_func(whales[i])# 更新全局最优best_idx=np.argmin(fitness)iffitness[best_idx]<best_fitness:best_whale=whales[best_idx].copy()best_fitness=fitness[best_idx]returnbest_whale,best_fitness# -----------------------------# 第四部分：CNN-LSTM 模型构建# -----------------------------defbuild_cnn_lstm_model(input_shape,output_steps=1,lstm_units=50,cnn_filters=32):""" 构建 CNN-LSTM 混合模型 :param input_shape: (time_steps, features) :param output_steps: 预测步数 :return: 编译好的 Keras 模型 """model=Sequential([# CNN 层提取局部特征Conv1D(filters=cnn_filters,kernel_size=3,activation='relu',input_shape=input_shape),MaxPooling1D(pool_size=2),Dropout(0.2),# LSTM 层捕捉长期依赖LSTM(lstm_units,return_sequences=False),Dropout(0.2),# 输出层Dense(output_steps)])model.compile(optimizer=Adam(learning_rate=0.001),loss='mse',metrics=['mae'])returnmodel# -----------------------------# 第五部分：主训练与预测流程# -----------------------------defmain():# ======================# 1. 加载数据（示例：使用合成数据）# ======================np.random.seed(42)# 生成一个带趋势和噪声的时间序列（模拟风电/负荷等）time=np.arange(0,1000)signal=10*np.sin(0.02*time)+0.5*time+np.random.normal(0,2,size=time.shape)data=signal.reshape(-1,1)# 单变量# 若有多变量，可扩展为：data = np.column_stack([signal, temp, wind_speed, ...])# ======================# 2. 参数配置# ======================LOOK_BACK=60# 输入时间步LOOK_FORWARD=1# 输出时间步（设为5可做5步预测）USE_VMD=True# 是否启用 VMD 分解OPTIMIZE_HYPER=True# 是否用 WOA 优化超参print(f"📊 数据形状:{data.shape}")print(f"🔧 配置: 输入步={LOOK_BACK}, 输出步={LOOK_FORWARD}, VMD={USE_VMD}, 超参优化={OPTIMIZE_HYPER}")# ======================# 3. VMD 分解（可选）# ======================ifUSE_VMDanddata.shape[1]==1:imfs=apply_vmd(data.flatten())ifimfsisnotNone:print(f"✅ VMD 分解为{imfs.shape[0]}个 IMF 分量")# 这里简化：只用第一个 IMF（高频）+ 原始信号data=np.column_stack([data,imfs[0]])# 扩展为多变量else:USE_VMD=False# ======================# 4. 数据归一化与划分# ======================data_scaled,scaler=normalize_data(data)X,y=create_dataset(data_scaled,LOOK_BACK,LOOK_FORWARD)# 划分训练/测试（8:2）split=int(0.8*len(X))X_train,X_test=X[:split],X[split:]y_train,y_test=y[:split],y[split:]print(f"📈 训练集: X={X_train.shape}, y={y_train.shape}")print(f"📉 测试集: X={X_test.shape}, y={y_test.shape}")# ======================# 5. 超参数优化（WOA）# ======================ifOPTIMIZE_HYPER:defobjective(params):"""目标函数：最小化验证集 MAE"""lstm_units=int(params[0])cnn_filters=int(params[1])batch_size=int(params[2])try:model=build_cnn_lstm_model(input_shape=(LOOK_BACK,X_train.shape[2]),output_steps=LOOK_FORWARD,lstm_units=lstm_units,cnn_filters=cnn_filters)model.fit(X_train,y_train,batch_size=batch_size,epochs=10,verbose=0,validation_split=0.2)y_pred=model.predict(X_test,verbose=0)mae=mean_absolute_error(y_test[:,0],y_pred[:,0])returnmaeexcept:return9999# 异常返回大值# 定义超参搜索空间bounds=[(32,128),# lstm_units(16,64),# cnn_filters(16,128)# batch_size]woa=WOA(objective,bounds,n_whales=5,max_iter=5)best_params,best_mae=woa.optimize()print(f"🎯 WOA 优化结果: LSTM={int(best_params[0])}, CNN={int(best_params[1])}, Batch={int(best_params[2])}")# 使用最优参数建模model=build_cnn_lstm_model(input_shape=(LOOK_BACK,X_train.shape[2]),output_steps=LOOK_FORWARD,lstm_units=int(best_params[0]),cnn_filters=int(best_params[1]))batch_size=int(best_params[2])else:model=build_cnn_lstm_model((LOOK_BACK,X_train.shape[2]),LOOK_FORWARD)batch_size=32# ======================# 6. 模型训练# ======================early_stop=EarlyStopping(monitor='val_loss',patience=10,restore_best_weights=True)history=model.fit(X_train,y_train,batch_size=batch_size,epochs=50,validation_split=0.2,callbacks=[early_stop],verbose=1)# ======================# 7. 预测与反归一化# ======================y_pred=model.predict(X_test,verbose=0)# 反归一化（仅对目标列）y_test_inv=scaler.inverse_transform(np.column_stack([y_test[:,0],np.zeros((len(y_test),data.shape[1]-1))]))[:,0]y_pred_inv=scaler.inverse_transform(np.column_stack([y_pred[:,0],np.zeros((len(y_pred),data.shape[1]-1))]))[:,0]# ======================# 8. 评估指标计算# ======================mae=mean_absolute_error(y_test_inv,y_pred_inv)mse=mean_squared_error(y_test_inv,y_pred_inv)rmse=np.sqrt(mse)mape=np.mean(np.abs((y_test_inv-y_pred_inv)/(y_test_inv+1e-8)))*100r2=r2_score(y_test_inv,y_pred_inv)print("\n"+"="*50)print("🔍 模型评估结果:")print(f" MAE :{mae:.4f}")print(f" MSE :{mse:.4f}")print(f" RMSE :{rmse:.4f}")print(f" MAPE :{mape:.2f}%")print(f" R² :{r2:.4f}")print("="*50)# ======================# 9. 结果可视化# ======================plt.figure(figsize=(14,6))plt.plot(y_test_inv[:200],label='真实值',color='blue')plt.plot(y_pred_inv[:200],label='预测值',color='red',linestyle='--')plt.title('LSTM-CNN 预测结果（前200步）')plt.xlabel('时间步')plt.ylabel('目标值')plt.legend()plt.grid(True)plt.tight_layout()plt.savefig('prediction_result.png',dpi=300)plt.show()# -----------------------------# 第六部分：程序入口# -----------------------------if__name__=="__main__":main()🔧 三、使用说明
1.切换单/多变量
- 单变量：
data = your_series.reshape(-1, 1) - 多变量：
data = np.column_stack([series1, series2, ...])
2.切换单/多步预测
- 修改
LOOK_FORWARD = 1（单步）或5（5步预测）
3.启用/禁用优化模块
USE_VMD = True/FalseOPTIMIZE_HYPER = True/False（启用 WOA）
4.替换真实数据
# 示例：加载 CSVdf=pd.read_csv('your_data.csv')data=df[['target','feature1','feature2']].values# 多变量📈 四、模型优势
| 模块 | 作用 |
|---|---|
| CNN-LSTM | CNN 提取局部模式，LSTM 捕捉长期依赖 |
| VMD | 分解非平稳信号，提升预测稳定性 |
| WOA | 自动优化 LSTM 单元数、CNN 滤波器数、batch size |
| 多步预测 | 支持直接输出未来 N 步（非递归） |
💡 五、扩展建议
- 加入 SSA（麻雀搜索）：替换 WOA 类，逻辑类似
- 集成学习：对 VMD 各 IMF 分量分别建模，再加权融合
- 不确定性量化：使用 Monte Carlo Dropout 输出预测区间
