ARIMA-SSA-LSTM时间序列预测：原理、实现与调参

简介：资源提供了基于Python的ARIMA-SSA-LSTM组合模型时间序列预测完整实现，面向需完成课程设计、期末大作业或毕业设计的计算机、电子信息、数学等专业学生，也适合希望快速上手深度学习时序预测的入门者。代码采用参数化编程，关键参数可灵活调整，并配有接近逐行的保姆级注释，能够显著降低理解门槛。压缩包内共3个文件，包括1个Python脚本与2个CSV数据文件，脚本涵盖数据读取、模型构建、训练与预测流程，CSV数据可用于直接测试和替换，整体仅51KB，轻量便于下载使用。目前已有509人学习，资源由资深算法工程师整理，代码结构清晰、注释详尽，既可作为完整项目方案参考，也可当作入门练习逐步研读，能帮助读者理解ARIMA、SSA与LSTM的协同建模思路，并迁移到其他时序预测任务中。

1. ARIMA-SSA-LSTM 时间序列预测不是三个模型拼接

把 ARIMA、SSA、LSTM 放在同一个预测管线里，常见做法不是让三个模型轮流表演，而是先用 SSA 把原始序列分离成主趋势、周期性成分和噪声，再让 ARIMA 接住线性的那一块，用 LSTM 去补 ARIMA 吃不到的非线性残差。这个思路在交通流量、电网负荷、设备温度，甚至水文径流预报的深度学习时间序列预测里，都比单模型更稳，原因是它把“趋势、周期、噪声”三类信息分开处理。

适合已经会用 ARIMA 和 LSTM 做基础预测，但还没想清楚怎么把两者干净地粘在一起的人。下面从原理、Python 实现、参数调整到上线验证，按一条可复现的路线讲完。

2. 先理解 SSA 分解、ARIMA 与 LSTM 在预测管线里的分工

组合模型最怕的不是某一步写错，而是三个模型都在做同一件事。为了让每一步都有存在意义，先要明确 SSA、ARIMA、LSTM 各自只能解决哪一类问题。

2.1 SSA 把序列拆成“可预测的主体”和“噪声/非线性残差”

奇异谱分析是一种数据驱动的分解方法，不需要预先把序列写成傅里叶基或小波基。它将一维时间序列嵌入到一个轨迹矩阵中，再做奇异值分解，最后把选中的主成分沿反对角线平均回一维序列。核心计算量集中在 SVD 上，对长度几千点的业务序列完全够用。

下面是最小实现，只做 SVD，不做重构：

import numpy as np def ssa_svd(series, L): series = np.asarray(series, dtype=float) K = len(series) - L + 1 X = np.lib.stride_tricks.sliding_window_view(series, window_shape=L).T U, s, Vt = np.linalg.svd(X, full_matrices=False) return U, s, Vt, K

window_shape=L会形成 K 个长度 L 的滑动窗口，转置后轨迹矩阵 X 的形状是(L, K)。奇异值 s 按从大到小排列，s[i]^2 / sum(s^2)表示第 i 个成分的能量占比。L 太小，SSA 只能看到局部抖动；L 至少要覆盖一个主周期的 0.5 到 1 倍，否则提取出来的所谓主成分更像滑动平均。注意np.lib.stride_tricks.sliding_window_view要求 NumPy 1.20 以上，老环境需要先升级 numpy。

2.2 ARIMA 处理主体，LSTM 处理残差

ARIMA 对非平稳序列通过 d 阶差分变成近似平稳序列，再用 AR 项和 MA 项描述线性自相关。它的优势是参数少、可解释、在短预测步数内很稳，劣势是对被噪声污染的非线性关系基本无能为力。LSTM 神经网络的门控结构可以记住更长时间窗口内的模式，但直接让 LSTM 从包含趋势、季节、噪声的原始序列里端到端学习，往往需要大量数据，而且对数据缩放和初始权重非常敏感。

常见做法是让两者处理不同的序列：先用 SSA 得到去噪后的主体序列，主体序列交给 ARIMA；原始序列减掉主体序列得到残差序列，残差序列交给 LSTM。残差里虽然还有噪声，但只要它不是纯白噪声，LSTM 就有机会学到可预测的非线性自相关。判断残差是否还有学习价值，稳定性检验和自相关图是两个快速指标，后面第 4 章会给出代码。

2.3 两种落地形态：残差修正与分量合并

组合时常见有两条路线，先说明白，后面代码按第一条实现。

• 残差修正路线：SSA 去噪 -> ARIMA 预测去噪序列 -> LSTM 预测残差 -> 相加。优点是串联关系清楚，ARIMA 漏掉的信息才交给 LSTM，适合一般业务序列。
• 分量合并路线：SSA 分解成趋势、周期、噪声三组 -> 趋势用 ARIMA，周期分量用 LSTM -> 各组预测相加。优点是可以显式控制周期，但分组和分量重构的调试成本高，适合周期非常稳定的水文或电力负荷数据。

这里采用第一条路线，因为当 SSA 窗口和主成分数选得不理想时，残差修正方式仍然能靠 LSTM 吸收一部分分解误差，整体容错更高。

3. 用 Python 实现 ARIMA-SSA-LSTM：数据、核心函数与一次完整预测

下面代码可以在本地直接运行，数据使用 statsmodels 内置的太阳黑子月均值，不需要额外下载外部文件。太阳黑子序列包含明显的长周期和噪声，适合演示 SSA 去噪后 ARIMA 与 LSTM 的分工。

3.1 环境依赖与数据准备

在 Linux 服务器上通常先确认 python 和 pip 可用，运行python3 -m pip --version，然后安装依赖：

pip install numpy pandas statsmodels pmdarima scikit-learn tensorflow matplotlib

pmdarima 负责自动搜索 ARIMA 阶数；statsmodels 提供太阳黑子数据和 ADF 检验；tensorflow 只用来训练 LSTM。如果 sklearn 版本和 tensorflow 都来自新的 pip，一般不会有版本冲突，但建议在虚拟环境中安装。

import numpy as np from statsmodels.datasets import sunspots df = sunspots.load_pandas().data print(df.columns) series = df.iloc[:, 1].values.astype(float)

df.columns通常包含YEAR和SUNACTIVITY，取第二列作为训练序列。下一步按固定长度切分训练集和测试集，测试集只保留 12 个点，方便观察多步预测误差累积。

train = series[:240] test = series[240:252]

注意切分要在 SSA 之前完成。如果先对整段序列做 SSA 再切分，轨迹矩阵会用到未来窗口的数据，属于泄漏。

3.2 SSA 去噪与序列重构函数

SSA 去噪不是简单丢掉几个奇异值，而是把选中的主成分重构回一维序列。重构过程需要沿轨迹矩阵的反对角线做平均，直接实现如下。

def ssa_filter(series, L=24, top=2): series = np.asarray(series, dtype=float) n = len(series) K = n - L + 1 X = np.lib.stride_tricks.sliding_window_view(series, L).T U, s, Vt = np.linalg.svd(X, full_matrices=False) recon = np.zeros((L, K)) for idx in range(top): recon += s[idx] * np.outer(U[:, idx], Vt[idx]) out = np.zeros(n) count = np.zeros(n) for i in range(L): for j in range(K): out[i + j] += recon[i, j] count[i + j] += 1 return out / count

这段代码中np.outer(U[:, idx], Vt[idx])得到第 idx 个奇异值对应的秩 1 矩阵；把前 top 个累加，再按t = i + j对角平均。top一般取 2 到 5，取值太大等于没去噪。调用后得到主体序列和残差序列：

smoothed_train = ssa_filter(train, L=24, top=2) noise_train = train - smoothed_train

L 取 24 是因为按月采样时先看两年窗口；如果序列有明显年度周期，L 应调整到主周期附近。太阳黑子的 11 年周期太长，这里用 24 个月作为示例，后续调参章节会说明怎么继续调。

3.3 ARIMA 自动定参并预测

ARIMA 的 p、d、q 用手写网格搜索会很啰嗦，实际工程里常用 pmdarima 的自动搜索，内部按 AIC 比较多次拟合结果。

from pmdarima import auto_arima arima_model = auto_arima( smoothed_train, start_p=1, max_p=5, d=1, max_d=2, start_q=1, max_q=5, seasonal=False, trace=False, error_action="ignore", suppress_warnings=True, stepwise=True, n_fits=10, ) arima_pred = arima_model.predict(n_periods=12)

d固定从 1 开始搜索，因为太阳黑子序列不是平稳的；stepwise=True表示不穷举所有组合，速度更快。smoothed_train是 ARIMA 的拟合对象，不要误传原始带噪序列，否则噪声会占用 ARIMA 的模型容量。如果数据本身有固定周期且 SSA 保留了该周期，应该打开seasonal=True, m=周期长度，否则 ARIMA 会为了拟合周期而消耗更多滞后阶数。

3.4 LSTM 对残差建模并递归多步预测

残差序列noise_train的尺度可能很小，直接丢给 LSTM 会出现梯度问题。先做一个只基于训练残差的 MinMaxScaler，再构造滑窗样本。

from sklearn.preprocessing import MinMaxScaler from tensorflow.keras.models import Sequential from tensorflow.keras.layers import LSTM, Dense def build_dataset(x, lookback): X, y = [], [] for i in range(lookback, len(x)): X.append(x[i - lookback:i]) y.append(x[i]) return np.array(X), np.array(y) scaler = MinMaxScaler(feature_range=(-1, 1)) noise_scaled = scaler.fit_transform(noise_train.reshape(-1, 1)).ravel() lookback = 12 X, y = build_dataset(noise_scaled, lookback) X = X.reshape((X.shape[0], X.shape[1], 1)) model = Sequential([ LSTM(32, activation="tanh", input_shape=(lookback, 1)), Dense(1) ]) model.compile(optimizer="adam", loss="mse") model.fit(X, y, epochs=20, batch_size=16, validation_split=0.1, verbose=0)

lookback=12使每个样本包含过去 12 个月的残差，LSTM 按时间步读取这 12 个值。Dense(1)输出一个残差预测值，损失函数用均方误差。训练轮次不多，因为目标是补足 ARIMA 的主体预测，而不是让 LSTM 单独拿下全部序列。时序数据用validation_split时必须接受它是按末尾切分这一事实，训练中不要手动打乱样本顺序。

递归预测需要把预测值持续放回窗口，否则只能预测一步。

def lstm_forecast(model, last_window, h): vals = list(last_window) preds = [] for _ in range(h): x = np.array(vals[-lookback:]).reshape(1, lookback, 1) p = model.predict(x, verbose=0)[0, 0] preds.append(p) vals.append(p) return scaler.inverse_transform(np.array(preds).reshape(-1, 1)).ravel() lstm_pred = lstm_forecast(model, noise_scaled[-lookback:], 12)

代码中的vals[-lookback:]每次取最近 12 个值，预测出一个残差点后把它追加到vals。递归多步预测的缺点非常明显：第 12 步的输入包含前 11 步的模型预测，误差会累积。因此 h 越大，LSTM 部分越保守越好，不要为追求训练集表现而增加过多单元数。

3.5 合并预测并与真实值对比

最终预测是两段预测的直接相加：

final_pred = arima_pred + lstm_pred mae = np.mean(np.abs(final_pred - test)) rmse = np.sqrt(np.mean((final_pred - test) ** 2)) print(f"MAE={mae:.2f}, RMSE={rmse:.2f}")

这个加法成立的前提是残差序列被 LSTM 预测后可以反变换回原尺度。ARIMA 在去噪序列上预测，LSTM 在残差上预测，两者相加就是完整预测。对比时应同时打印arima_pred单独算的误差，能快速看出 LSTM 有没有增量。若加了 LSTM 后 RMSE 反而变大，优先怀疑残差本身是白噪声，而不是模型结构有问题。

4. 参数怎么调：ARIMA-SSA-LSTM 的必调参数与评估陷阱

模型跑通只是第一步。ARIMA-SSA-LSTM 真正花时间的是参数搜索和评估方式，这里给出我常用的调参顺序。

4.1 必调参数表：SSA窗口、主成分数、ARIMA阶数、LSTM lookback

SSA 窗口 L 对结果影响最大。业务时间序列常有一个明显周期，月度数据先按 12 或 24 起步；如果序列没有固定周期，用滞后相关图找第一个显著相关的滞后位置作为 L。top不要一次性设太大，奇异值能量占比在 80% 到 90% 之间通常已经够用。

数据长度也会改变参数边界。样本只有 200 个点时，LSTM 的 lookback 设到 24 会让训练样本只剩 176 个，再留出验证集就更少，这时应优先降低 lookback 或增大 batch_size。相反，数据是小时级且有几万条，LSTM units 可以提到 64，epochs 提到 30，但要在每个轮次后记录验证集损失。

4.2 用 ADF 检验和奇异值贡献率决定是否保留 LSTM

残差序列是否值得用 LSTM 学习，先用 ADF 检验看平稳性，再用自相关图看有没有非线性滞后依赖。

from statsmodels.tsa.stattools import adfuller adf_p = adfuller(noise_train)[1] print(f"residual ADF p-value: {adf_p:.4f}")

如果 p 值大于 0.05，残差不平稳，说明 SSA 的窗口或 top 没选好，先回去调分解参数，而不是加强 LSTM。如果 p 值小于 0.05 但残差自相关图在滞后 1 或滞后 2 处仍显著，说明 ARIMA 或 SSA 还漏掉了某些线性短期相关，也可以先把这部分交给更高阶 ARIMA，而不是立刻加 LSTM。

4.3 对照实验：ARIMA、LSTM、ARIMA-SSA-LSTM 的差异

为了确认组合模型的价值，需要做三个对照：单独 ARIMA、单独 LSTM、完整组合。单独 ARIMA 用原始训练序列，单独 LSTM 用原始训练序列的滑窗，完整组合用上述 SSA 去噪后的 ARIMA 加残差 LSTM。

对比时还要区分一步预测和多步滚动预测。ARIMA 的一步预测误差通常很低，但如果业务要求连续预测 12 个点，ARIMA 的误差会快速放大；LSTM 在递归模式下同样放大，只是放大曲线可能更平滑。评估 ARIMA-SSA-LSTM 时，我一般同时输出 h=1、h=6、h=12 三类指标，因为真正上线的预警系统多数关心的是第 6 步之后的表现，而不是第一步。若 h=1 表现极好但 h=12 发散严重，优先检查残差递归预测的截断和窗口长度，而不是怀疑模型结构。

5. 从可复现到可上线：验证、重训练与调试技巧

组合模型从 Jupyter 推到线上时，最先崩的通常不是预测精度，而是保存、重训练和判断 LSTM 是否还有存在意义。

5.1 保留训练对象和归一化器

ARIMA 模型可以用 joblib 保存，LSTM 的 keras 模型与权重可以单独保存，但残差 Scaler 和 ARIMA 的预测结果都要一并保存，否则预测环节无法把残差反变换回原尺度。

from joblib import dump dump(arima_model, "arima_model.pkl") model.save("lstm_model.keras") dump(scaler, "resid_scaler.pkl")

加载预测时，先用joblib.load读回arima_model和scaler，再用tf.keras.models.load_model读取 LSTM。注意不要把arima_model的拟合数据范围保存下来，线上新样本到来时，重训比尝试“增量预测”更可靠。

5.2 设置预测上限和重训练频率

LSTM 在递归预测中可能输出极端残差值，导致最终预测出现负流量或负负荷。上线前要对lstm_pred做截断，常见做法是限制在训练残差的 1.5 倍标准差内：

clip_upper = np.percentile(noise_train, 99.5) clip_lower = np.percentile(noise_train, 0.5) lstm_pred = np.clip(lstm_pred, clip_lower, clip_upper)

重训练频率与数据到达周期相关。月度数据至少要每月重训一次，周级或日级数据建议每周滚动重训。每次重训时固定随机种子，并记录训练集的 MAE、RMSE、MAPE，方便发现数据漂移导致的突变。

5.3 用“常数残差”做基线，确认 LSTM 增量

最后一个技巧很实用：先把 LSTM 残差预测全部置为 0，只跑 SSA+ARIMA，得到一个基线误差；再启用 LSTM 看误差变化。如果 LSTM 带来的改善很小，直接省略这一层，反而能减少预测波动。实际调参时，我会对多个 L 值重复这一过程，用一组对比结果决定最终的 ARIMA-SSA-LSTM 配置。

下次换数据时，先把 L 设为明显周期的 0.5~1.0 倍，用“SSA+ARIMA+常数残差”做基线，确认 LSTM 增量大于其随机波动后再加入；这样多数数据集都可以避免在无用残差上浪费训练时间。

本文还有配套的精品资源，点击获取