简介：这份Python源码项目围绕流感时间序列预测展开，整合ARIMA、SARIMA、LSTM与Transformer等多类模型，面向计算机相关专业正在做课程设计、期末大作业或需要项目实战练习的学习者，帮助其完成从数据平稳性检验、差分处理到模型估计、残差分析与多模型对比的完整建模流程。资源包共25个文件，包含7个py脚本、7个csv数据集、4个xls表格、2个ipynb笔记本及5个zip压缩文件，整体约4.93MB，脚本与笔记本对应建模各阶段，数据文件支撑训练与验证，结构清晰便于按模块查阅。目前已有387人学习下载，可作为高分项目参考。读者可据此掌握时间序列预测的完整赛题方案，理解ARIMA与深度学习模型的组合思路、评估对比方法及排错要点，适合作为课程设计模板或实战练习素材。
1. 从一份 98 分课设拆开看：流感时间序列预测到底在预测什么
流感数据不是股票，也不是电商销量，它有两个很讨厌的性质：强季节性（北半球冬春高发）和强噪声（上报延迟、就诊行为变化）。ILINet.csv 这类数据通常按周采样，一条曲线里同时混着趋势、年周期和随机扰动。直接丢给 LSTM 让它端到端学，往往在验证集上看着还行，一到真实外推就崩。这份源码的价值不在于模型多花哨，而在于它把 ARIMA 这条统计基线、LSTM 这条深度基线、Transformer 这条注意力基线放在同一条流水线上对比，并且把平稳性检验、差分、ACF/PACF 定阶这些"老派但必要"的步骤单独拆成脚本。适合正在做课程设计、期末大作业，或者想拿一个完整时间序列项目练手的人。目录结构里1_1_Stationarity_differencing.py到5_forecast.py是 ARIMA 主线，lstm-flu.ipynb和sarima _v3.ipynb是两条对照线，4_compare.py负责把结果拉到一起。下面按"数据怎么变成可建模的序列 → ARIMA 怎么定阶 → LSTM/Transformer 怎么搭 → 怎么对比和排错"的顺序拆。
2. 数据预处理与平稳性检验：差分、ADF、ACF/PACF 三件套
2.1 ILINet.csv 的字段与建模目标
拿到data/ILINet.csv先别急着画图，先确认列名和采样频率。CDC 的 ILINet 数据一般包含DATE、% WEIGHTED ILI、%UNWEIGHTED ILI、AGE 0-4等列，建模通常选% WEIGHTED ILI作为目标序列，因为它按人口加权，比未加权更稳定。加载时把日期列解析成索引，并强制按周频率重采样，避免中间缺周导致差分错位。
import pandas as pd import numpy as np # 读取 ILINet 数据，跳过表头里的说明行（不同年份文件行数不同，按实际调整） df = pd.read_csv("data/ILINet.csv", skiprows=1) df.columns = [c.strip() for c in df.columns] # 只保留全国汇总行，避免各州数据混入 df = df[df["REGION TYPE"] == "National"].copy() df["DATE"] = pd.to_datetime(df["DATE"]) df = df.set_index("DATE").sort_index() # 目标序列：加权 ILI 百分比 ts = df["% WEIGHTED ILI"].astype(float) ts = ts.asfreq("W") # 强制周频率 ts = ts.interpolate() # 少量缺周用线性插值补 print(ts.head(), ts.shape)skiprows=1是因为原始 CSV 第一行常是元信息；REGION TYPE == "National"过滤掉州级行，否则同一周会有几十条记录，差分后完全没意义；asfreq("W")把不规则日期对齐到周，interpolate()只补少量缺口，缺口太多要回头查数据源而不是硬插。
2.2 平稳性检验：ADF 与差分次数
ARIMA 的d参数来自差分次数，而差分次数要靠 ADF 检验说话。1_2_Stationarity_ADF.py做的就是这件事：对原序列做 ADF，若 p 值大于 0.05 就差分一次再检验，直到平稳。常见做法是同时看 ADF 统计量和 p 值，p 小于 0.05 且统计量小于 1% 临界值才算稳。
from statsmodels.tsa.stattools import adfuller def adf_report(series, name): result = adfuller(series.dropna(), autolag="AIC") print(f"{name}: ADF={result[0]:.4f}, p={result[1]:.4f}, " f"lags={result[2]}, crit={result[4]}") adf_report(ts, "原始序列") adf_report(ts.diff(1), "一阶差分") adf_report(ts.diff(1).diff(1), "二阶差分")autolag="AIC"让 statsmodels 自动选滞后阶数，比手写固定 lag 稳。流感序列一般一阶差分就够，二阶差分容易过差分，把信号差没。如果一阶差分后 p 值仍大，先怀疑是不是有异常年份（比如某年上报口径变了），而不是无脑加d。
2.3 ACF/PACF 定阶与2_estimate_pq.py的用法
差分平稳后，用 ACF 看 MA 阶数q，PACF 看 AR 阶数p。1_3_Stationarity_ACF_PACF.py画图，2_estimate_pq.py则用 AIC/BIC 网格搜索兜底。经验上 ACF 截尾在 lag k 则 q≈k，PACF 截尾在 lag k 则 p≈k，但流感数据拖尾常见，所以网格搜索更靠谱。
| 参数 | 含义 | 判断依据 | 流感数据常见取值 |
|---|---|---|---|
| p | AR 阶数 | PACF 截尾位置 | 1~3 |
| d | 差分次数 | ADF 检验 | 1 |
| q | MA 阶数 | ACF 截尾位置 | 1~2 |
| P,D,Q,s | 季节项 | 年周期 s=52 | P=1,D=0,Q=1 |
import itertools, warnings from statsmodels.tsa.statespace.sarimax import SARIMAX warnings.filterwarnings("ignore") best = None for p, q in itertools.product(range(3), range(3)): try: m = SARIMAX(ts, order=(p, 1, q), seasonal_order=(1, 0, 1, 52), enforce_stationarity=False).fit(disp=False) if best is None or m.aic < best[0]: best = (m.aic, p, q) except Exception: continue print("best AIC/p/q:", best)s=52对应周数据的年周期，这是流感预测的关键，漏掉季节项模型基本废掉。enforce_stationarity=False在网格搜索阶段能加快拟合，但最终模型建议打开。搜索范围别开太大，p、q 各到 3 已经够，再大容易过拟合且拟合时间爆炸。
提示：ADF 检验对异常值敏感，先画一眼原始曲线，把明显的数据断点或口径变化年份标出来，再决定是否截断训练区间。
3. ARIMA/SARIMA 建模与残差诊断：从3_residual.py看模型是否合格
3.1 SARIMA 拟合与预测区间
定好阶后，用SARIMAX拟合完整模型，5_forecast.py负责外推。预测时一定要拿get_forecast而不是predict，因为前者带置信区间，后者只给点估计。流感预测里区间比点值更有用，评审老师也爱看。
model = SARIMAX(ts, order=(1, 1, 1), seasonal_order=(1, 0, 1, 52), enforce_stationarity=True, enforce_invertibility=True) res = model.fit(disp=False) # 外推 12 周，带 95% 置信区间 fc = res.get_forecast(steps=12) mean = fc.predicted_mean ci = fc.conf_int(alpha=0.05) print(mean.head())steps=12是预测周数，按作业要求调整；conf_int(alpha=0.05)给 95% 区间。注意 SARIMA 长期外推区间会迅速变宽，这是模型诚实的地方，不要为了图好看把区间裁掉。
3.2 残差诊断：Ljung-Box 与残差正态性
3_residual.py的核心是验证残差是不是白噪声。如果残差还有自相关，说明模型没榨干信息。常用 Ljung-Box 检验，p 值大于 0.05 才接受"残差无自相关"。
from statsmodels.stats.diagnostic import acorr_ljungbox import scipy.stats as st lb = acorr_ljungbox(res.resid, lags=[10, 20], return_df=True) print(lb) # 残差正态性 stat, p = st.normaltest(res.resid.dropna()) print("normaltest p:", p)lags=[10,20]覆盖短中期自相关；normaltest的 p 小于 0.05 说明残差非正态，预测区间会偏，但点预测仍可用。残差图里如果出现明显的周期性波动，八成是季节项没定对，回去调P、Q或s。
3.3 常见报错与排查
SARIMA 拟合最常见的两个坑：一是LinAlgError: Singular matrix，通常是差分过度或 p、q 太大导致矩阵奇异，降阶即可；二是收敛警告ConvergenceWarning，可以换method="powell"或增大maxiter。另外s=52时数据至少要两个完整年周期，否则季节项估不出来，这也是为什么流感数据一般从 2010 年之后取。
4. LSTM 与 Transformer 对照实现：lstm-flu.ipynb的滑窗与归一化
4.1 滑窗构造与归一化
LSTM 不吃原始序列，要吃监督样本。lstm-flu.ipynb用滑动窗口把序列切成(样本数, 时间步, 特征数)。归一化必须只用训练集统计量，否则验证集信息泄漏，指标虚高。
import numpy as np from sklearn.preprocessing import MinMaxScaler def make_windows(series, lookback=12): X, y = [], [] for i in range(len(series) - lookback): X.append(series[i:i+lookback]) y.append(series[i+lookback]) return np.array(X), np.array(y) split = int(len(ts) * 0.8) train, test = ts[:split], ts[split:] scaler = MinMaxScaler() train_scaled = scaler.fit_transform(train.values.reshape(-1, 1)).flatten() test_scaled = scaler.transform(test.values.reshape(-1, 1)).flatten() X_train, y_train = make_windows(train_scaled, lookback=12) X_test, y_test = make_windows(test_scaled, lookback=12) X_train = X_train.reshape(-1, 12, 1) X_test = X_test.reshape(-1, 12, 1)lookback=12表示用过去 12 周预测下一周，正好覆盖一个季度；fit_transform只在训练集上做，测试集用transform，这是时间序列里最容易写错的一行。reshape(-1,12,1)把二维样本变成 LSTM 需要的三维张量。
4.2 LSTM 网络结构与训练参数
from tensorflow.keras import layers, models model = models.Sequential([ layers.LSTM(64, return_sequences=True, input_shape=(12, 1)), layers.LSTM(32), layers.Dropout(0.2), layers.Dense(1) ]) model.compile(optimizer="adam", loss="mse") history = model.fit(X_train, y_train, epochs=50, batch_size=16, validation_split=0.1, verbose=0)两层 LSTM 第一层return_sequences=True才能接第二层；Dropout(0.2)抑制过拟合；epochs=50配合validation_split=0.1观察早停。如果验证 loss 先降后升，说明过拟合，减层或加 dropout。
4.3 Transformer 分支的位置编码与注意力
Transformer 分支的关键是位置编码，因为自注意力本身无序。transformer相关热词里问得最多的就是"位置信息怎么算"，这里用标准正弦编码。
import tensorflow as tf class PositionalEncoding(layers.Layer): def __init__(self, d_model): super().__init__() self.d_model = d_model def call(self, x): seq_len = tf.shape(x)[1] pos = tf.range(seq_len, dtype=tf.float32)[:, tf.newaxis] i = tf.range(self.d_model, dtype=tf.float32)[tf.newaxis, :] angle = pos / tf.pow(10000.0, (2 * (i // 2)) / self.d_model) angle = tf.where(i % 2 == 0, tf.sin(angle), tf.cos(angle)) return x + angle[tf.newaxis, :, :]d_model是嵌入维度，i // 2保证 sin/cos 成对出现。加完位置编码再进多头注意力。Transformer 在小样本周数据上不一定赢 LSTM，它的优势在长依赖，但流感序列长度有限，所以4_compare.py里三者差距往往不大，这本身就是个值得写进报告的结论。
5. 多模型对比与结果复现：4_compare.py的指标口径与踩坑
5.1 统一评估口径
对比 ARIMA、LSTM、Transformer 时，最容易犯的错是各算各的指标。4_compare.py应该把三者预测值对齐到同一测试区间，再统一算 MAE、RMSE、MAPE。
from sklearn.metrics import mean_absolute_error, mean_squared_error def evaluate(y_true, y_pred, name): mae = mean_absolute_error(y_true, y_pred) rmse = np.sqrt(mean_squared_error(y_true, y_pred)) mape = np.mean(np.abs((y_true - y_pred) / (y_true + 1e-8))) * 100 print(f"{name}: MAE={mae:.4f}, RMSE={rmse:.4f}, MAPE={mape:.2f}%") return mae, rmse, mape1e-8防止除零，流感序列里偶尔有接近 0 的周。MAPE 在低值周会偏大，报告里最好同时给 MAE 和 RMSE，别只报 MAPE。
5.2 反归一化与对齐
LSTM/Transformer 输出是归一化后的值，必须用同一个 scaler 反变换回原始量纲，才能和 ARIMA 比。ARIMA 预测的是原始序列，不需要反变换。对齐时注意 LSTM 的测试样本比原始测试段少lookback个点，切片要对应。
pred_lstm = model.predict(X_test).flatten() pred_lstm_inv = scaler.inverse_transform(pred_lstm.reshape(-1, 1)).flatten() y_test_inv = scaler.inverse_transform(y_test.reshape(-1, 1)).flatten() # ARIMA 预测对齐到同一区间 arima_pred = mean.values[:len(y_test_inv)] evaluate(y_test_inv, pred_lstm_inv, "LSTM") evaluate(y_test_inv, arima_pred, "SARIMA")5.3 复现环境与依赖
vscode python环境配置是高频搜索词，这份源码建议 Python 3.8~3.10，核心依赖pandas、statsmodels、scikit-learn、tensorflow。statsmodels 和 tensorflow 对 numpy 版本敏感，建议先建虚拟环境再装，避免numpy.dtype size changed这类二进制不兼容报错。跑之前按1_1到5_forecast的顺序执行，notebook 单独跑，最后用4_compare.py汇总。
注意：如果 LSTM 指标好得离谱，先查归一化是不是在全量数据上 fit 的，这是时间序列作业里最隐蔽的泄漏。
6. 进阶技巧：用残差混合模型把 ARIMA 和 LSTM 串起来
单模型各有短板：ARIMA 抓线性季节，LSTM 抓非线性残差。一个在课设里能加分的做法是混合建模——先用 SARIMA 拟合，拿到残差，再用 LSTM 去学残差里的非线性结构，最后把两部分预测相加。3_residual.py已经把残差算出来了，直接复用。
# SARIMA 残差作为 LSTM 的新目标 resid = res.resid.dropna().values scaler_r = MinMaxScaler() resid_scaled = scaler_r.fit_transform(resid.reshape(-1, 1)).flatten() Xr, yr = make_windows(resid_scaled, lookback=12) Xr = Xr.reshape(-1, 12, 1) resid_model = models.Sequential([ layers.LSTM(32, input_shape=(12, 1)), layers.Dense(1) ]) resid_model.compile(optimizer="adam", loss="mse") resid_model.fit(Xr, yr, epochs=30, batch_size=16, verbose=0) # 最终预测 = SARIMA 点预测 + LSTM 残差预测 resid_pred = scaler_r.inverse_transform( resid_model.predict(Xr[-12:].reshape(-1, 12, 1)).reshape(-1, 1) ).flatten() final = mean.values[:len(resid_pred)] + resid_predresid是 SARIMA 没解释掉的部分，LSTM 在这里只学残差，任务更简单，收敛更快。final把线性和非线性预测叠加，通常比任一单模型稳。验证时仍用同一测试区间算 MAE/RMSE，和4_compare.py里的单模型结果并排写进报告。另一个实用技巧是给 LSTM 输入加外生特征，比如把AGE 0-4、AGE 65+的 ILI 分列作为多变量输入，input_shape从(12,1)改成(12,k)，往往比调网络结构更有效。最后，所有随机种子固定（tf.random.set_seed(42)、np.random.seed(42)），否则每次跑出来的对比表都不一样，答辩时会被追问。
本文还有配套的精品资源，点击获取
