基于Keras的LSTM从Y时序数据预测X值的复现问题求助

嘿，我帮你把用Keras搭建LSTM从Y预测X的完整流程整理好了，结合你的CSV数据结构和需求，包含预处理、建模、预测、绘图全步骤，直接就能复用：

1. 先把依赖库都导入 #

这一步是基础，把需要的工具包都加载进来：

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from sklearn.preprocessing import MinMaxScaler
from sklearn.metrics import mean_squared_error, r2_score
from keras.models import Sequential
from keras.layers import LSTM, Dense

2. 数据预处理（核心步骤） #

LSTM对输入格式要求很严格，得把你的CSV数据转换成它能接受的形状，还要做归一化（不然模型很难收敛）：

加载并提取数据 #

# 替换成你的CSV文件路径
df = pd.read_csv('your_data.csv')
# 提取特征Y（用来预测的变量）和目标X（要预测的变量）
data = df[['Y', 'X']].values

数据归一化 #

LSTM对数据尺度敏感，先把值缩到[0,1]区间：

scaler = MinMaxScaler(feature_range=(0, 1))
scaled_data = scaler.fit_transform(data)

构造时间序列数据集 #

LSTM需要用过去的Y值序列来预测当前的X，我们写个函数来生成这种输入输出对：

def create_dataset(dataset, time_steps=1):
    X, y = [], []
    # 遍历数据，取前time_steps个Y值作为输入，对应下一个时间点的X作为目标
    for i in range(len(dataset) - time_steps):
        X.append(dataset[i:(i+time_steps), 0])  # 输入：前time_steps个Y
        y.append(dataset[i + time_steps, 1])    # 目标：当前时间点的X
    return np.array(X), np.array(y)

# 这里设置时间步长，比如用过去5个Y值预测X，你可以根据自己的数据调整
time_steps = 5
X, y = create_dataset(scaled_data, time_steps)

调整输入形状 #

LSTM要求输入是(样本数, 时间步长, 特征数)的三维数组，我们这里特征数是1（只有Y）：

X = np.reshape(X, (X.shape[0], X.shape[1], 1))

拆分训练测试集 #

注意！时间序列不能随机拆分，必须按时间顺序来，比如按8:2的比例分：

train_size = int(len(X) * 0.8)
test_size = len(X) - train_size
X_train, X_test = X[0:train_size], X[train_size:len(X)]
y_train, y_test = y[0:train_size], y[train_size:len(y)]

3. 搭建并训练LSTM模型 #

我们先搭一个基础的LSTM结构，后续你可以根据效果调参：

model = Sequential()
# 添加LSTM层，units是神经元数量，input_shape对应时间步长和特征数
model.add(LSTM(units=50, return_sequences=False, input_shape=(time_steps, 1)))
# 全连接层输出预测的X值
model.add(Dense(units=1))
# 编译模型，回归任务用adam优化器+均方误差损失
model.compile(optimizer='adam', loss='mean_squared_error')
# 训练模型，batch_size和epochs可以根据数据量调整，validation_data用来监控验证集损失
history = model.fit(X_train, y_train, batch_size=32, epochs=50, validation_data=(X_test, y_test), verbose=1)

4. 预测与反归一化 #

因为之前做了归一化，预测出来的值是缩放过的，得转回到原始尺度才能和真实值对比：

# 生成训练集和测试集的预测值
train_predict = model.predict(X_train)
test_predict = model.predict(X_test)

# 反归一化：因为我们是对[Y,X]整体归一化的，所以要构造对应形状的数据来反变换
# 处理训练集预测值
train_predict_full = np.zeros((len(train_predict), 2))
train_predict_full[:, 1] = train_predict[:, 0]
train_predict = scaler.inverse_transform(train_predict_full)[:, 1]

# 处理训练集真实值
y_train_full = np.zeros((len(y_train), 2))
y_train_full[:, 1] = y_train[:]
y_train = scaler.inverse_transform(y_train_full)[:, 1]

# 处理测试集预测值
test_predict_full = np.zeros((len(test_predict), 2))
test_predict_full[:, 1] = test_predict[:, 0]
test_predict = scaler.inverse_transform(test_predict_full)[:, 1]

# 处理测试集真实值
y_test_full = np.zeros((len(y_test), 2))
y_test_full[:, 1] = y_test[:]
y_test = scaler.inverse_transform(y_test_full)[:, 1]

5. 模型评估与绘图 #

现在可以和你的传统ML模型对比效果，还能画出可视化图：

评估指标 #

计算MSE和R²，和你之前的模型结果对比：

test_mse = mean_squared_error(y_test, test_predict)
test_r2 = r2_score(y_test, test_predict)
print(f"测试集均方误差(MSE): {test_mse:.4f}")
print(f"测试集R²系数: {test_r2:.4f}")

绘图展示 #

训练损失曲线

看模型有没有过拟合或者欠拟合：

plt.figure(figsize=(12, 4))
plt.plot(history.history['loss'], label='训练损失')
plt.plot(history.history['val_loss'], label='验证损失')
plt.title('模型损失变化')
plt.xlabel('迭代次数')
plt.ylabel('均方误差损失')
plt.legend()
plt.show()

测试集真实值vs预测值

直观对比预测效果：

plt.figure(figsize=(12, 4))
plt.plot(y_test, label='真实X值')
plt.plot(test_predict, label='预测X值')
plt.title('测试集真实值vs预测值')
plt.xlabel('时间步')
plt.ylabel('X值')
plt.legend()
plt.show()

全数据集真实值vs预测值

展示整个数据集的拟合效果：

full_predict = np.concatenate([train_predict, test_predict])
full_y = np.concatenate([y_train, y_test])

plt.figure(figsize=(15, 5))
plt.plot(full_y, label='真实X值')
plt.plot(full_predict, label='预测X值')
plt.title('全数据集真实值vs预测值')
plt.xlabel('时间步')
plt.ylabel('X值')
plt.legend()
plt.show()

6. 几个关键调参建议 #

• 时间步长：可以试试3、5、10等不同值，找和你传统ML模型效果最接近的
• 模型结构：可以增加LSTM层（比如把return_sequences=True，再加一层LSTM），或者调整units数量
• 训练参数：batch_size和epochs可以根据数据量调整，比如数据大就调大batch_size，epochs可以多跑点看损失是否收敛
• 归一化：如果MinMaxScaler效果不好，可以试试StandardScaler

内容的提问来源于stack exchange，提问作者Desta Haileselassie Hagos