简介：EEMD-LSTM时间序列预测Python完整工程，面向需完成课程设计、期末大作业或毕业设计的高校学生，也适合刚入门深度学习与信号分解的开发者。项目基于Anaconda、PyCharm和TensorFlow环境编写，将经验模态分解（EEMD）与长短期记忆网络（LSTM）结合，可用于处理非线性、非平稳的时间序列数据，整体思路清晰，注释几乎覆盖每一行，便于逐步理解模型搭建与训练流程。压缩包共3个文件，包括1个Python主程序以及2个CSV数据集文件，分别用于加载原始序列与完整实验数据，包体大小仅47KB，轻量易用，下载后即可直接运行调试。目前已有383人学习下载，资源采用参数化编程方式，关键参数可方便修改，适合在此基础上替换数据、调整模型结构，快速复现EEMD-LSTM预测流程。作者为资深算法工程师，长期从事Python与Matlab算法仿真，代码风格注重工程实用性与可读性，能为初学者提供一份从数据读取、分解到预测评估的完整参考实现。
1. EEMD-LSTM时间序列预测：为什么非平稳序列必须拆开再预测
一条电力负荷曲线、一台设备的振动信号，甚至一份日度销量数据，绝大多数"真实业务序列"都不平稳：带趋势、带周期、带随机冲击。直接用LSTM硬拟合这类序列，模型会把不同频率的规律揉在一起学，经常出现"训练集上误差极低、换一段数据就崩"的情况。EEMD（集成经验模态分解）先把序列拆成若干个不同频率的本征模态函数（IMF），再用LSTM对每个分量分别做时间序列预测，最后叠加还原。这种做法在设备寿命预测、量化交易特征构造、电力负荷预测里已经是被反复验证过的落地路线。这套方案需要完整的源码和数据配合才跑得起来，本篇文章就是把整套流程拆开，讲清楚每一步怎么实现、参数怎么调、以及哪些坑一踩一个准。
2. 用PyEMD做EEMD分解：拆出IMF分量并避开端点效应
EEMD的核心价值在于把一条缠绕在一起的时间序列“梳开”。LSTM建模前，如果原始序列里同时存在小时级波动和年度趋势，单个模型很难同时抓住两类规律。EEMD把序列按特征时间尺度拆解成多个IMF分量，从高频到低频排列，最后一个残余分量通常是纯趋势项。这样每个IMF的频带更窄、非平稳性也大幅降低，LSTM只需要学习一个相对简单、局部平稳的映射关系。
2.1 EMD的局限和EEMD加的这段白噪声
传统EMD（经验模态分解）对模态混叠很敏感。信号里如果存在间断的高频小扰动，分解出来的第一个IMF可能会把不同时间段的频率成分混在一起，也就是常说的模态混叠。EEMD的改进思路很直接：在原始序列上多次叠加白噪声，分别做EMD分解，再把多次结果平均。原理是白噪声在不同试验中互不相关，而真实信号分量会被保留，通过多次平均把噪声抵消掉。关键参数有两个：trials（叠加白噪声的次数，通常取50~100）和noise_width（白噪声幅度占信号标准差的比值，通常取0.01~0.2）。次数太少平均不干净，噪声幅度太小起不到改善效果，太大则会把原始信号破坏掉。
可以用一段传感器振动数据来验证效果。常见做法是先画出原始信号和各个IMF，观察第一个IMF是否还有明显的大幅值跳变。若每个IMF的包络相对平滑、没有跨频带的突兀成分，基本可以认为分解质量可用。
2.2 环境准备与最小分解代码：PyEMD从安装到出图
环境里先确认Python版本在3.7以上，并安装PyEMD依赖库。对时间序列分解来说，PyEMD是当前最常用的库，底层基于Numpy实现，不依赖额外的科学计算包。执行下述命令安装。
pip install PyEMD安装完成后，写一个最小分解脚本对序列做EEMD，并把分解结果保存为图像。下面的代码可以直接贴在脚本里跑，我只列核心部分。
import numpy as np from PyEMD import EEMD # 构造一条含趋势、周期和高频扰动的模拟序列 t = np.linspace(0, 100, 2000) signal = t * 0.05 + np.sin(t * 2 * np.pi / 20) + 0.3 * np.sin(t * 2 * np.pi / 2) # 初始化EEMD，trials为白噪声试验次数，noise_width为噪声幅度 eemd = EEMD(trials=60, noise_width=0.05) imfs = eemd.eemd(signal) print("分解得到的IMF数量:", imfs.shape[0]) for i, imf in enumerate(imfs): print(f"IMF{i+1}: 均值={imf.mean():.4f}, 标准差={imf.std():.4f}")逻辑说明：signal被分解成一个二维数组，第一维是IMF序号，第二维是时间长度，数组最末尾是残余分量。逐IMF打印均值和标准差是为了快速判断各分量是否在一个合理范围内，若某个分量标准差异常大，通常说明那一次分解出现了过冲。trials=60是常见的取法，它意味着同样的EMD步骤被重复60次并取平均；noise_width=0.05适合信噪比相对高的信号，如果数据噪声本身就很大，可以把这个值降到0.01。
分解完以后，保存图像供检查。绘图这一步很关键，肉眼是判断分解质量最直接的手段。
import matplotlib.pyplot as plt plt.figure(figsize=(12, 8)) for i, imf in enumerate(imfs): plt.subplot(len(imfs), 1, i + 1) plt.plot(imf, linewidth=0.8) plt.ylabel(f"IMF{i+1}") plt.xlabel("Time") plt.tight_layout() plt.savefig("eemd_result.png", dpi=150)参数说明里有一点容易忽略：绘图时横轴直接用了采样点序号，如果你手头数据带时间戳，建议先把时间戳换算成等间隔的序号再分解，否则后续与真实时间轴对齐会很麻烦。
2.3 分解结果怎么读：高频分量、低频趋势和残差分别意味着什么
IMF排列顺序大致对应频率从高到低。第一个IMF通常是噪声或极短周期波动，在设备振动预测里它对应高频冲击；中间几个IMF对应周期性成分，比如日周期、周周期；最后一个残余项往往是缓变趋势，在电力负荷预测里就是整体用电量随季节抬升或下降的形态。
对这组分量做预测时不要一视同仁。高频IMF随机性强、可预测性差，LSTM在它上面学到的更多是噪声记忆；低频和趋势项变化平滑，预测难度低。常见的处理策略有两种：一是把第一个IMF并入第二个，视作“高频带”统一建模；二是对最末端的多个残余分量做合并后再预测。具体取舍留到后面的避坑章节展开，这里只需要先理解“读图定策略”的工作习惯。
3. 把IMF分量喂进LSTM：滑动窗口、归一化与模型结构
分解只是预处理，真正的预测工作落在LSTM上。和直接用原始序列建模不同，现在每个IMF分量都有各自的量纲和波动范围，归一化不能共用一套参数。滑动窗口的长度直接影响模型能看多远的“记忆”，窗口太短学不到周期，窗口太长维度膨胀导致训练变慢。
3.1 逐分量归一化：为什么要单独算每个IMF的min-max
高频IMF的取值通常围绕零波动，均值趋近于零；趋势项则可能是一个从几十递增到几千的缓变序列。如果对所有分量共用一组min-max参数，趋势项会把数值压到接近1，高频分量被压到接近0，LSTM实际上学不到高频分量的有效变化。正确做法是对每个IMF分别计算缩放参数。
def minmax_fit_transform(series): min_val = series.min() max_val = series.max() eps = 1e-8 # 避免分母为零 transformed = (series - min_val) / (max_val - min_val + eps) return transformed, (min_val, max_val) def minmax_inverse_transform(series, params): min_val, max_val = params return series * (max_val - min_val) + min_val逻辑说明：minmax_fit_transform返回缩放后的序列和缩放参数，minmax_inverse_transform在预测完成后把结果还原成原始量纲。这里故意把参数以元组返回，是为了给每个IMF单独保存，避免后续预测时取错参数。注意eps的加入，如果原始信号在较长一段时间内恒定不变，最大值和最小值相等，不加它就会除以零。
训练LSTM前要把每个IMF做成“监督学习样本”，常见做法是设定一个lookback窗口，用过去N个值预测未来一个值。
import numpy as np def create_sequences(data, lookback): X, y = [], [] for i in range(len(data) - lookback): X.append(data[i:i + lookback]) y.append(data[i + lookback]) return np.array(X), np.array(y) lookback = 24 scaled_imf, params = minmax_fit_transform(imfs[1]) # 示例：对第2个IMF建样本 X, y = create_sequences(scaled_imf, lookback) print("样本形状:", X.shape, "标签形状:", y.shape) split = int(len(X) * 0.8) X_train, X_test = X[:split], X[split:] y_train, y_test = y[:split], y[split:]参数说明：lookback=24意味着模型用过去24个历史点预测下一个点。如果你处理的是小时级数据，24对应一天；如果是日频数据，24对应近一个月。窗口的选择不是越大越好，要结合数据本身的周期长度来定。样本按时间顺序切分，注意不能像普通分类任务那样随机打乱，否则等于把未来信息泄漏进训练集。
3.2 构造样本序列与LSTM模型代码
LSTM模型用Keras搭建，选择比较克制的小网络结构。对单个IMF分量建模，模型容量不需要很大，两层LSTM加上一层Dropout已经能处理大多数情况。关键是把input_shape写对，它应该等于(lookback, 1)，即时间步数量等于窗口长度，每个时间步只有1个特征。
from tensorflow.keras.models import Sequential from tensorflow.keras.layers import LSTM, Dense, Dropout def build_lstm(lookback, units=64): model = Sequential() model.add(LSTM(units=units, return_sequences=True, input_shape=(lookback, 1))) model.add(Dropout(0.2)) model.add(LSTM(units=units, return_sequences=False)) model.add(Dropout(0.2)) model.add(Dense(1)) model.compile(optimizer='adam', loss='mse', metrics=['mae']) return model model = build_lstm(lookback=lookback, units=64) model.summary()逻辑说明：第一层LSTM设置return_sequences=True，是为了把完整的隐状态序列传给第二层LSTM，让深层网络能继续抽取更抽象的时间依赖。第二层不返回序列，因为它要把最后一步的隐状态输出给全连接层。Dense(1)输出预测值，损失函数用mse，因为时间序列预测的本质是回归问题。units=64是起步值，数据量小可以降到32，数据量大且规律复杂可以加到128。
训练模型时需要传入(样本数, lookback, 1)的三维输入，所以前面的X要通过reshape增加特征维度。
X_train = X_train.reshape((X_train.shape[0], X_train.shape[1], 1)) X_test = X_test.reshape((X_test.shape[0], X_test.shape[1], 1)) history = model.fit( X_train, y_train, validation_data=(X_test, y_test), epochs=80, batch_size=32, verbose=0 ) print("训练结束，测试MAE:", model.evaluate(X_test, y_test, verbose=0)[1])参数说明：epochs=80适合中小规模数据，配合batch_size=32通常能在几十轮内收敛。如果训练过程中验证集误差开始回升，说明过拟合，此时可以减少epochs或增加Dropout比率。verbose=0是为了避免控制台刷屏，调试阶段可以改成1观察每轮损失变化。
3.3 分而治之：每个分量单独训练还是合并训练
这是EEMD-LSTM落地时争议最大的地方。一种做法是为每个IMF各训练一个LSTM模型，预测时分别推理再叠加，这叫完全独立模型；另一种做法是把所有IMF拼成多维特征输入同一个LSTM，让模型自己学分量间的关系。前者训练开销大但是每个模型的预测目标更纯，后者工程上更省事但会引入模态交叉干扰。
我一般建议前几个低频IMF独立建模，高频分量可以合并处理。原因是高频分量本身规律性弱，单独训练很容易过拟合，合并后反而能提升稳定性。低频分量和趋势项预测相对容易，独立建模的精度提升很明显。这个经验在多次实践中都成立，后面避坑章节会给出更具体的判断方法。
4. 组装完整预测流水线：从原始序列到叠加预测值的全流程代码
把前两章的内容串起来，EEMD-LSTM的完整流程是：读取原始序列、EEMD分解、逐IMF归一化与造样本、逐分量的LSTM训练、预测并对各分量反归一化、最后叠加还原成最终预测值。这章给出一个可直接复制改造的预测类，并解释参数如何联动。
4.1 EEMD-LSTM预测类：训练、保存、预测一条龙
先把整个流程封装成类，这样换数据时可以复用。类内部保存每个IMF的缩放参数和训练好的模型，预测时自动完成“分解→逐分量预测→合并”三步。
class EEMD_LSTM_Predictor: def __init__(self, lookback=24, units=64, trials=60, noise_width=0.05): self.lookback = lookback self.units = units self.trials = trials self.noise_width = noise_width self.imfs = None self.models = [] self.scaler_params = [] def fit(self, raw_series): # 1) EEMD分解 eemd = EEMD(trials=self.trials, noise_width=self.noise_width) self.imfs = eemd.eemd(raw_series) # 2) 对每个IMF单独归一化、建样本、训练 for imf in self.imfs: scaled, params = minmax_fit_transform(imf) self.scaler_params.append(params) X, y = create_sequences(scaled, self.lookback) split = int(len(X) * 0.8) X_train = X[:split].reshape((-1, self.lookback, 1)) y_train = y[:split] X_val = X[split:].reshape((-1, self.lookback, 1)) y_val = y[split:] model = build_lstm(self.lookback, self.units) model.fit(X_train, y_train, validation_data=(X_val, y_val), epochs=40, batch_size=32, verbose=0) self.models.append(model) def predict(self, raw_series, steps=1): # 对最后一段窗口做单步滚动预测 preds = [] for imf, model, params in zip(self.imfs, self.models, self.scaler_params): scaled, _ = minmax_fit_transform(imf) last_window = scaled[-self.lookback:].reshape((1, self.lookback, 1)) pred_scaled = model.predict(last_window, verbose=0)[0, 0] pred = minmax_inverse_transform(np.array([pred_scaled]), params)[0] preds.append(pred) return sum(preds)逻辑说明：fit方法内依次完成分解、归一化、训练，所有中间产物都挂在实例上，方便后面的预测阶段调用。predict方法用的是“滚动一步预测”，它拿每个IMF最后lookback个点作为窗口，预测出下一个点，然后将各分量预测值叠加。这个类的设计只适合单步预测，做多步预测时需要把上一步的预测值补进窗口继续滚动。verbose=0会让训练过程静默，建议首次运行时改为verbose=1观察是否正常收敛。
4.2 参数设置建议：ensemble次数、噪声幅度、lookback与units怎么定
参数之间是联动的，不能孤立调整。trials和noise_width决定分解质量：trials至少50，业务数据若噪声大建议加到100；noise_width从0.05起步，分解后观察第一个IMF，如果里面还残留明显的确定性波形说明噪声幅度偏小，如果第一个IMF完全像白噪声则说明偏大。lookback与序列本身周期强相关，建议先做自相关分析，看自相关系数在多少阶处出现峰值，再据此设定窗口。units在32到128之间试，模型参数量过大会在分量样本量不足时迅速过拟合。
下面给出一组经过多次验证的起点参数。数据量约2000个点、日频业务序列时：trials=80, noise_width=0.05, lookback=24, units=64, epochs=60。数据量增大到20000个点以上时，lookback可以提高到48或72，units也可以上探到128。数据量只有500个点的小样本场景，务必把units降到32，epochs降到30，否则验证集误差会越训越高。
5. 避坑指南：EEMD-LSTM最容易出问题的5个翻车现场
把EEMD-LSTM从能跑调到好用，最大的障碍不是模型结构，而是数据处理细节。以下问题我都在实际数据上遇到过，按“现象→原因→解决”写清楚，每一条都值得在动手前先对照一遍。
5.1 数据泄漏：先分解整个序列再切训练集，预测结果虚高
现象：测试集上的MAE低到不可思议，但把模型接到新数据上，预测曲线严重偏离真实值。检查代码发现EEMD是在完整序列上先分解、再切训练集和测试集。原因：EEMD利用整段数据统计量做分解，相当于测试集信息提前参与了训练集的模态分离过程。解决：训练阶段只用训练集数据做EEMD分解，预测阶段把测试集逐段追加到已有序列后再做分解，或者固定用训练集末尾的分解结果去逼近预测段。绝大多数公开源码都没有处理这个细节，这也是很多复现结果虚高的真正原因。
5.2 端点效应与模态混叠：预测段前后出现大尾巴
现象：分解后的第一个IMF在序列两端出现大幅振荡，甚至比信号本身幅度还大。原因：EMD在包络拟合时两端数据不足，导致包络发散；EEMD虽然通过多次平均缓解了模态混叠，但端点效应依然存在。解决：在分解前对序列两端做极值点延拓，常见做法是镜像延拓或AR预测延拓。使用PyEMD时，可以通过ext_method参数指定端点处理方式，例如：
from PyEMD import EEMD # 使用镜像延拓缓解端点发散 eemd = EEMD(trials=60, noise_width=0.05, ext_method='mirror')逻辑说明：ext_method='mirror'把端点处的波形做镜像复制后再拟合包络，能明显抑制两端的大尾巴。该参数对IMF末端与原始序列两端不对齐的问题很有帮助，但会牺牲少量计算性能。如果数据本身短、周期长，镜像延拓可能失真，此时可以用ext_method='periodic'（周期延拓）做对比，取第一个IMF两端振荡小的一版。
5.3 高频IMF让预测精度开倒车：全建模反而拉低精度
现象：加了EEMD分解后整体误差反而高于直接LSTM。逐个检查发现，第一个IMF的LSTM预测误差占了总误差一半以上，但它对最终叠加值的贡献却很小。原因：高频IMF接近随机噪声，LSTM强行学出了一套“假记忆”，测试时这套记忆与真实波动不匹配，造成较大的单点误差。解决：对第一个IMF不必建立LSTM模型，直接将其未来值预测为窗口均值或零；更稳妥的做法是把第一个IMF与第二个IMF合并成一个新序列再建模。合并能压低噪声的同时保留部分短周期规律。
# 选择IMF1作为高频噪声处理：预测值取窗口均值而非LSTM输出 high_freq_pred = np.mean(imfs[0][-lookback:])注意：这里imfs[0]是整个序列分解后的第一个分量，取它的窗口均值作为未来预测是保守策略，适合分量方差大且无明显周期性的情况。如果分量存在明显的日程周期性，就不要这样处理，而是保留单独建模。
5.4 各分量分别归一化之后，叠加回的结果出现整体偏置
现象：单个分量预测值看着都对，叠加后却整体上移或下移，尤其趋势项分量的误差被放得很大。原因：趋势项的数值范围大，反归一化后小误差也会被放大；同时各分量的预测误差方向相同（比如都偏小），叠加时误差累加，没有相互抵消。解决：训练时对趋势项单独使用均值标准差标准化（z-score）代替min-max，能减少离群值的影响；叠加完成后，对整体预测结果再做一次保序回归校正，把预测序列的整体均值拉回与真实序列一致。保序回归在很多场景下能挽回偏差问题，改动量又小。
5.5 预测未来多步时误差滚雪球：单步预测准不代表多步准
现象：单步预测在测试集上表现稳定，改成预测未来24小时时，预测值逐渐趋平或发散。原因：滚动预测中，模型把上一时刻的预测值当作真实值输入窗口，误差逐步累积，尤其是高频分量的微小误差经过迭代会被抛大。解决：多步预测时，高频分量采用直接多步预测（即一次输出未来K个点），低频分量才用滚动预测。在Keras里可以通过最终的Dense层改为Dense(K)实现直接多步预测。这样可以切断高频分量上的误差循环，是落地多步预测时最有效的改动。
6. 用一个具体技巧验证模型真的在变好：逐频段误差回溯
模型跑通以后，别急着部署。把预测误差拆分到每个IMF上，能精确定位到底哪个频段拖累了整体效果。这个习惯帮我避免了很多“靠感觉调参”。做法很简单：预测完成后，把真实序列也做EEMD分解（注意是整段测试序列独立分解），逐频段计算预测值与真实IMF的MAE，再按误差贡献排序。
def error_traceback(raw_true, raw_pred): eemd = EEMD(trials=60, noise_width=0.05) true_imfs = eemd.eemd(raw_true) pred_imfs = eemd.eemd(raw_pred) errors = [] for i, (t_imf, p_imf) in enumerate(zip(true_imfs, pred_imfs)): mae = np.mean(np.abs(t_imf - p_imf)) errors.append((i, mae)) errors.sort(key=lambda x: x[1], reverse=True) return errors # 输出误差最大的前3个IMF频段 for idx, mae in error_traceback(y_true, y_pred)[:3]: print(f"IMF{idx}: MAE={mae:.4f}")逻辑说明：这里对真实序列和预测序列分别做EEMD分解，再逐分量比较误差。如果误差高度集中在高频IMF上，说明该分量不适合用LSTM建模，应改为上一章提到的保守预测或模块合并。如果误差集中在低频趋势分量，说明趋势项样本数量不足或lookback对趋势而言太短，需要放长窗口或增加网络容量。
我在实际项目中会用这个诊断结果写一份简单的对比表：纯LSTM、全分量EEMD-LSTM、过滤高频后的EEMD-LSTM三者的整体MAE。多数时候过滤高频能让整体误差下降15%到25%。建议你在自己的数据上也跑一遍这个三位对比，观察误差集中带，再决定要不要留高频分量。沉淀下来的判断是：不要迷信EEMD-LSTM一定比纯LSTM好，它只有在序列确实包含多频段成分时才明显占优；反过来，如果数据本身已经是平滑的日频序列，分解反而增加风险。这份诊断逻辑是EEMD-LSTM建模里最值得保留的实战技巧，希望帮到你。
本文还有配套的精品资源，点击获取
