简介：面向计算机、电子信息工程、数学等专业大学生的EMD-LSTM时间序列预测完整工程，适用于课程设计、期末大作业和毕业设计。项目基于Python与TensorFlow，结合经验模态分解（EMD）与长短时记忆网络（LSTM），完成时序数据的模态分解、特征提取与预测输出；代码采用参数化编程，关键超参数集中配置、便于调整，并配有保姆级逐行注释，几乎一行一注释，初学者也能快速上手。压缩包内共3个文件：1个.py源码文件与2个CSV数据集，源码涵盖数据读取、EMD分解、LSTM建模与结果评估的完整流程，两个数据集可直接用于训练和验证；整个压缩包仅47KB，轻量易部署。目前已有475人学习下载。通过源码可掌握时间序列预测的完整实现思路和排错方法，替换数据、调整参数即可扩展到其他预测场景，也可在此基础上完成课程报告撰写与模型优化实验。
1. EMD-LSTM时间序列预测：为什么说它是非线性时序预测的实用解
做时间序列预测的人应该都有体会：直接用LSTM怼原始序列，网络得自己去学趋势、周期和噪声的混合规律，不仅训练慢，预测值还经常滞后一拍。EMD-LSTM的思路是把原始序列先用经验模态分解（EMD）拆成若干个本征模态函数（IMF）和一个残差项，让每个LSTM只学一个相对纯净的子序列，最后把各分量预测值叠加。这份Python源码（EMD-LSTM.py配焦作.csv数据）就是在TensorFlow环境下把这条链路完整跑通，附带保姆级注释，适合做课程设计、期末大作业或毕设的初学者，也适合想快速验证EMD+神经网络组合效果的从业者。下面我按实际跑通这份代码的顺序，把原理、参数、坑一次讲清楚。
2. 为什么先做EMD分解：从时序信号里拆出可预测的分量
2.1 EMD和VMD、小波分解的差别：为什么这份代码选EMD
在动手跑代码之前，先明确一个选型问题：时序分解方法不止EMD一种，常见还有VMD（变分模态分解）和小波变换。小波分解需要预先选小波基函数和分解层数，选得不合适分解结果就差；VMD虽然数学上更优雅，但需要预设模态数K和惩罚因子alpha，这两个参数对结果影响很大，调起来玄学成分不小。EMD最大的优势是自适应性——它不需要预设基函数，分解层数完全由数据本身决定，代码里只需要调一个最小尺度之类的参数，对新手非常友好。
这份源码选择EMD作为LSTM的前置处理，还有一个实际考虑：EMD分解出来的IMF分量从高频到低频排列，高频分量反映短期波动，低频分量和残差反映趋势，每个分量的频带比原始序列窄得多。LSTM在输入更平稳、频带更窄的序列时，梯度传播更稳定，收敛也明显更快。
2.2 数据集探针：焦作.csv里到底装了什么
打开焦作.csv，第一列一般是时间（日期或小时），第二列是观测值。从文件命名推断，这应该是某类环境或气象监测数据，比如逐小时PM2.5浓度或者温度序列。实际使用前用pandas读一下，确认列名和时间跨度：
import pandas as pd df = pd.read_csv('焦作.csv', encoding='gbk') print(df.head()) print(df.tail()) print(df.columns.tolist()) print(df.shape)这段代码逻辑很简单，但值得注意两个点：encoding='gbk'是因为很多从国内气象站或环境监测站导出的CSV用GBK编码，直接utf-8读会报错；df.shape用来确认数据量，如果只有几百行，后期训练LSTM时要小心过拟合。时间序列预测的数据量少于1000条时，建议用滑窗构造多样本，而不是直接按比例截断。
2.3 对原始序列执行EMD分解：核心代码与参数说明
PyEMD是Python里最常用的EMD实现库，源码里调用方式一般如下：
from PyEMD import EMD import numpy as np # data: 一维numpy数组，即焦作.csv中的观测值 emd = EMD() IMFs = emd.emd(data) print('IMF个数:', IMFs.shape[0]) print('每个IMF长度:', IMFs.shape[1])两个容易被忽略的细节：emd(data)返回的是一个二维数组，第一维是分量个数，第二维是原始序列长度，所以IMFs[0]是第一个IMF分量，IMFs[-1]是残差；如果序列数值很大（比如上万），建议先做归一化再分解，否则EMD的极值点搜索在某些实现下会出现过冲现象。分解完成后，把各分量画出来看一眼，如果某个IMF波形明显像纯噪声且幅值很小，可以在后续建模时考虑丢弃。
提示：IMFs.shape[0]通常在5到10之间，具体取决于数据长度和波动复杂度。分量太多时，不要让每个分量都单独训一个LSTM，计算量会翻倍。3. 从分量到样本：LSTM的输入构造是这份源码的灵魂
3.1 时间步长（look_back）怎么定：从数据长度和周期两个维度看
LSTM的输入是三维张量（样本数, 时间步长, 特征数），时间步长指的是用过去多少个点预测未来一个点。源码里一般会定义一个参数look_back，常见取2、4、8或12。如果数据有明确周期，比如按小时记录的气象数据，一天24小时，look_back取24或48效果通常更好；没有明显周期的话，按总长度的5%～10%试。
构建滑窗样本的标准做法是：
def create_dataset(data, look_back=1): X, Y = [], [] for i in range(len(data) - look_back): X.append(data[i:(i + look_back)]) Y.append(data[i + look_back]) return np.array(X), np.array(Y)注意这里X的形状是(样本数, look_back)，后面输入LSTM之前需要reshape成(样本数, look_back, 每个时间步的特征数)。如果只用当前分量的一维值做预测，特征数就是1；如果还想把其他环境变量作为额外特征，特征数就要相应增加。很多人在这一步漏掉reshape导致维度报错，这属于最常见翻车点。
3.2 每个IMF单独训练还是统一训练：计算量和精度的权衡
这份源码的套路是：先对原始序列做EMD分解得到IMF1、IMF2、…、IMFk和残差R，然后对每个分量分别构造样本、分别训练LSTM、分别预测，最后把各分量的预测值相加得到最终预测结果。这个流程最直观，也最容易理解。
但这里有一个实际优化点：IMF1（最高频分量）通常信噪比很低，单独预测误差很大，而且占据大部分训练时间。我实际跑的时候，会把IMF1作为噪声剔除，或者把最高频的两个分量合并后再预测。如果坚持每个分量单独建模，保存模型时会多出好几份文件，管理起来也麻烦。
提示：还有一种省算力的做法，是把所有IMF分量作为多特征输入同一个LSTM，即X的形状为(样本数, look_back, IMF个数)。但这份源码用的是“先拆分预测再叠加”，改动成本更低，也符合课程设计需要展示的“每步都有输出”的要求。3.3 数据集划分：不能直接打乱，否则时序信息就废了
时间序列预测和普通分类回归最大的区别就是不能随机打乱样本。源码里通常按顺序切分，比如前70%训练、后30%测试：
train_size = int(len(X) * 0.7) X_train, X_test = X[:train_size], X[train_size:] y_train, y_test = y[:train_size], y[train_size:]切分前记得先把X和y按照时间顺序构造好，切分后也不要再打乱顺序。如果用了train_test_split且带了默认的shuffle=True，那测试集的预测值会和真实值错位，评估指标虚高但没有任何实际意义。这是我见过最多人踩的坑之一。
4. LSTM模型搭建与训练：从一行行注释里读懂的参数细节
4.1 网络结构：几层LSTM、每层几个神经元
源码使用的是TensorFlow（Keras API）构建模型，核心结构一般是：
from tensorflow.keras.models import Sequential from tensorflow.keras.layers import LSTM, Dense, Dropout model = Sequential() model.add(LSTM(units=50, return_sequences=True, input_shape=(look_back, n_features))) model.add(Dropout(0.2)) model.add(LSTM(units=50, return_sequences=False)) model.add(Dropout(0.2)) model.add(Dense(units=1)) model.compile(optimizer='adam', loss='mse')参数选择逻辑：units=50是隐藏单元数，数据量小可以降到32；第一层return_sequences=True是因为后面还要接一层LSTM，需要把完整的序列输出传给下一层；最后一层LSTM的return_sequences=False，只输出最后一个时间步的结果，然后接一个Dense(1)输出预测值。Dropout(0.2)用来防止过拟合，如果训练集损失很低但测试集损失很高，说明过拟合，可以增大到0.3或0.4。
4.2 训练参数：epochs、batch_size和验证集的使用
训练部分的常见配置如下：
history = model.fit( X_train, y_train, epochs=100, batch_size=32, validation_split=0.2, verbose=2 )epochs=100是基础值，训练过程中观察loss和val_loss的变化：如果val_loss在30轮之后不再下降反而回升，说明过拟合已经开始，最好加EarlyStopping回调；batch_size=32适合几百到几千条样本，样本量大可以改64或128；加validation_split=0.2是为了从训练集里再切出20%做验证，方便观察模型是否在正常收敛。
提示：时间序列切分建议按顺序切验证集，别用随机切。Keras的validation_split默认是从训练集末尾切，这个行为刚好是时序友好的。4.3 预测与反归一化：最容易算错的一步
如果训练前对数据做了归一化，预测出来的结果也是归一化后的值，必须反变换回原始量纲才能和真实数据对比。源码里通常使用MinMaxScaler：
from sklearn.preprocessing import MinMaxScaler scaler = MinMaxScaler(feature_range=(0, 1)) data_scaled = scaler.fit_transform(data.reshape(-1, 1)) # 训练完成后预测 y_pred_scaled = model.predict(X_test) y_pred = scaler.inverse_transform(y_pred_scaled) y_test_orig = scaler.inverse_transform(y_test.reshape(-1, 1))这里值得单独强调：scaler必须只用训练集的统计量去fit，然后统一变换训练集和测试集。如果先对整个数据集做fit再切分，测试集的信息在训练阶段就泄漏了，评估指标的参考价值大打折扣。很多毕设里被老师追问“你这个测试集是不是泄露了”，通常就是在这一步出了问题。
4.4 各分量预测叠加：最终预测值怎么合并
对每个IMF分量（或剔除了高频噪声后的剩余分量）单独执行上面的训练和预测，得到每个分量的预测序列，然后直接相加：
final_pred = np.zeros_like(imf_pred[0]) for pred in imf_pred: final_pred += pred这里注意：所有分量的预测长度必须一致，否则直接相加会报shape不匹配的错误。这也是为什么要保证测试集段位对齐——所有分量使用同一个时间段的测试集，预测出来的点数才一致。
5. EMD-LSTM避坑指南：五个亲测翻车点
5.1 现象：运行EMD时报“RuntimeError: maximal number of iterations reached”
原因：PyEMD内部的迭代求解器在数据波动过陡或端点处极值过密时，会出现迭代不收敛的情况，这是EMD算法的固有问题。
解决：对原始序列先做一次平滑（比如移动平均或Savitzky-Golay滤波），或者调整sift最大迭代次数。如果序列本身异常值较多，先剔除或截断之后再分解，别指望EMD自己能扛住所有脏数据。
5.2 现象：keras的LSTM输入报维度错误“expected ndim=3, found ndim=2”
原因：X_train没有变成三维张量。LSTM要求输入格式是(样本数, 时间步长, 特征数)，而create_dataset返回的是二维。
解决：在喂给模型之前执行X_train = X_train.reshape((X_train.shape[0], look_back, 1))，其中最后一维1表示每个时间步的特征数。如果使用了多个IMF分量作为特征，这里应改为对应的分量数。
5.3 现象：训练损失下降很慢，预测结果基本是一条平移的直线
原因：典型症状是LSTM学到了“用上一个值预测下一个值”的惰性策略，即输出约等于输入的最后一个时间步，序列本身信噪比又太低时尤其明显。
解决：降低学习率（把adam默认的lr从0.001降到0.0005），增加LSTM层数或单元数，同时检查是否所有分量都参与了训练。高频IMF预测结果差是正常的，但不要让这个分量主导最终叠加结果，必要时直接剔除。
5.4 现象：测试集预测值整体向右偏移，预测峰明显滞后
原因：时间步长（look_back）过大，模型过度依赖近期值；或者数据有强自相关但非平稳趋势没有完全被EMD剥离干净。
解决：把look_back从24降到12或8试试；另一个有效手段是残差分量单独预测时，把趋势外推用线性或多项式回归代替LSTM，因为残差分量本身已经是单调趋势，LSTM学这种趋势反而慢。
5.5 现象：EMD分解后各分量长度不一致，拼接训练样本时报错
原因：PyEMD在部分情况下返回的IMF分量长度与原始序列不完全一致，特别是边界处被裁掉少量点。
解决：在生成训练样本之前统一裁剪或插值到原始长度，保险做法是IMFs[:, :len(data)]强制截取，确认每个分量长度一致后再构造样本。
6. 把这份源码改到自己的数据上：三处必改与一套验证流程
拿到这份代码后，如果只是跑通焦作.csv，那收获有限。我建议按下面三步改造，把它变成能复用到其他时序数据的模板。
第一步，替换数据读取部分。把pd.read_csv('焦作.csv')换成自己的文件，列名、编码、时间列格式都要改。注意如果你的数据是分钟级或秒级，序列长度变大，EMD分解耗时和LSTM训练耗时都会显著增加。
第二步，调整EMD分解参数。高频噪声明显时给EMD增加max_imfs限制，比如只保留前5个IMF加残差，其余当作噪声丢弃。同时用emd.emd(data, max_imfs=6)这种显式配置代替默认值。
第三步，修改LSTM结构参数。把units、look_back、epochs改成适合自己数据规模的数值，我一般先跑一个20轮的快速版本看损失走势，再决定要不要加轮数，避免一上来就100轮浪费时间。
验证流程我有一套固定打法：先跑一份不加EMD的纯LSTM作为对照组，再跑EMD-LSTM，两条曲线画在同一张图上对比。如果EMD-LSTM的RMSE没有明显优势，多半不是模型问题，而是分解参数或高频IMF处理出了问题。用这份源码自带的焦作数据先完成这个对比实验，再换自己的数据，能少走很多弯路。
另外，建议把训练好的模型都存下来：model.save('lstm_imf{}.h5'.format(i))，方便之后写推理脚本单独做预测。否则每次重新训练不仅耗时，还会因为随机初始化不同导致结果无法复现。如果做实验对比，别忘了固定随机种子：np.random.seed(42)、tf.random.set_seed(42)，这个细节能让你的实验结果可信度上一个台阶。
我从第一次跑EMD-LSTM到现在，已经习惯了在拿到任何时序数据时，先看一眼EMD分解结果再决定建模方案。从那以后，遇到波动剧烈或趋势复杂的数据，我都默认走一遍“分解—逐分量建模—叠加”这个流程，比直接拿LSTM硬学省心太多。希望这份拆解能帮你在自己的数据上少踩几个坑。
本文还有配套的精品资源，点击获取
