VMD-SSA-LSTM时间序列预测实战：Python源码与焦作数据集

简介：本资源面向计算机、电子信息工程、数学等专业的大学生及算法入门者，提供一套完整的VMD-SSA-LSTM时间序列预测实现方案，可用于课程设计、期末大作业或毕业设计。资源包共3个文件，包含2个CSV数据文件与1个Python源码文件，压缩包约51KB，数据与代码配套齐全，开箱即可运行。代码基于Anaconda、PyCharm与TensorFlow环境编写，采用参数化编程思路，参数可灵活调整，且配有保姆级注释，几乎一行一注释，便于初学者理解VMD分解、麻雀搜索算法优化与LSTM预测的完整流程。作者为某大厂资深算法工程师，具备八年Matlab与Python算法仿真经验。目前已有492人学习下载，适合希望快速掌握智能优化算法与神经网络预测组合建模的读者参考实践。

1. 从一份焦作数据说起：VMD-SSA-LSTM 到底在解决什么问题

如果你手头有一份按时间采样的单变量序列——比如焦作某站点的逐日观测值——直接丢进 LSTM，十有八九会得到一条「平滑但滞后」的预测曲线：趋势跟得上，拐点全错过。这不是 LSTM 不行，而是原始序列里混着高频噪声和不同尺度的振荡分量，网络把噪声也当成规律去拟合了。VMD-SSA-LSTM 这套组合拳的思路很直接：先用变分模态分解（VMD）把序列拆成若干个相对平稳的子模态，再用麻雀搜索算法（SSA）去自动搜 LSTM 的超参数，最后把各分量的预测结果叠加重构。这份资源给的就是这条链路的完整 Python 源码加焦作数据集，anaconda + pycharm + Tensorflow 环境，注释密到几乎一行一注，适合课程设计、期末大作业和毕业设计直接上手改。它不解决「预测未来」的玄学，它解决的是「怎么让 LSTM 在非平稳序列上别那么拉胯」这个具体工程问题。

2. 拆开压缩包：VMD、SSA、LSTM 各自站哪一班岗

2.1 为什么不是直接上 LSTM

时间序列预测里最常见的翻车现场，是把原始序列直接喂给 LSTM 然后抱怨效果差。原因在于 LSTM 的 gates 机制擅长捕捉短程依赖，但面对非平稳、多尺度叠加的信号时，它会把低频趋势和高频噪声一视同仁地编码进隐状态，结果就是模型在训练集上 loss 降得很漂亮，一到测试集拐点就滞后。VMD 的作用是把这个混合信号按中心频率拆开，每个 IMF（本征模态函数）分量在频域上更集中、在时域上更平稳，LSTM 对平稳子序列的建模能力会明显好于对原始序列。这不是理论上的必然，而是实践中反复验证过的经验：分解后再预测，误差通常能压下来一截。

2.2 VMD 分解的关键参数怎么定

VMD 有两个绕不开的参数：模态数 K 和惩罚因子 alpha。K 太小，分解不充分，噪声和信号还混在一起；K 太大，会出现模态混叠或过分解，产生一堆没意义的伪分量。常见做法是先设 K 从 3 试到 8，观察各分量的中心频率是否分离清晰，再定下来。alpha 控制带宽，一般取 2000 左右起步，数据噪声大就适当调大。这份源码里这两个参数是显式变量，改起来不用翻函数内部。

# VMD 分解核心调用（参数化写法，方便调 K 和 alpha） from vmdpy import VMD import numpy as np # 读取焦作数据，假设单列时间序列 data = np.loadtxt('焦作.csv', delimiter=',', skiprows=1) signal = data[:, 1] # 取观测值列 # K: 模态数, alpha: 带宽约束, tau: 噪声容限, DC: 是否含直流分量 K = 5 alpha = 2000 tau = 0 DC = 0 init = 1 tol = 1e-7 u, u_hat, omega = VMD(signal, alpha, tau, K, DC, init, tol) # u 形状为 (K, N)，每一行是一个 IMF 分量 np.savetxt('imf_components.csv', u, delimiter=',')

这段代码的逻辑是：把原始信号送进 VMD，拿回 K 个 IMF 分量和对应的频谱。参数说明——K决定拆几层，alpha决定每个分量的带宽松紧，tau一般设 0 表示无噪声容限，DC=0表示第一分量不强制为直流。跑完之后建议把u画出来看一眼，如果某个分量几乎是一条直线或者全是毛刺，说明 K 选得不对，回去调。

2.3 SSA 优化 LSTM 的哪些超参数

LSTM 的超参数里，对结果影响最大的是隐藏层神经元数、学习率和 batch size。手动调这三个参数，运气好半小时，运气不好一整天。SSA（麻雀搜索算法）是一种群智能优化算法，把每组超参数当成一只麻雀的位置，通过发现者-跟随者-警戒者的角色更新来逼近最优解。这份源码里 SSA 的适应度函数就是 LSTM 在验证集上的 RMSE，搜索空间一般设成：隐藏层单元 32 到 128，学习率 0.001 到 0.01，batch size 16 到 64。

# SSA 优化 LSTM 超参数的适应度函数骨架 def fitness_function(params): units = int(params[0]) # 隐藏层神经元数 lr = params[1] # 学习率 batch = int(params[2]) # batch size model = build_lstm(units, lr) # 按参数构建 LSTM history = model.fit(X_train, y_train, epochs=50, batch_size=batch, validation_data=(X_val, y_val), verbose=0) val_loss = min(history.history['val_loss']) return val_loss # SSA 最小化该值

逻辑说明：SSA 每一轮迭代会生成一批候选参数组合，逐个送进fitness_function跑一次短训练，返回验证集 loss 作为该位置的适应度。参数说明——epochs在优化阶段不用设太大，50 足够区分好坏，最终用最优参数再跑完整训练。注意这里有个坑：如果每次 fitness 都跑完整 epoch，SSA 迭代几十轮下来时间会爆炸，所以优化阶段用早停或固定小 epoch 是常规操作。

2.4 分量预测与叠加重构

VMD 拆出 K 个分量后，每个分量单独走一遍 SSA-LSTM 流程，得到 K 条预测曲线，最后逐点相加就是最终预测结果。这一步听起来简单，但有个容易忽略的细节：各分量的训练集/测试集划分必须一致，否则叠加时时间轴对不上。源码里用的是滑动窗口构造样本，窗口长度是个可调参数，一般取 10 到 30 之间，序列周期性强就取大一点。

# 分量叠加重构 preds = [] for i in range(K): pred_i = train_predict_lstm(u[i], window=20) # 对第 i 个分量单独预测 preds.append(pred_i) final_pred = np.sum(preds, axis=0) # 逐点相加 # 与真实值对比算 RMSE/MAE/MAPE

参数说明：window是滑动窗口长度，决定用过去多少步预测下一步。train_predict_lstm内部封装了 SSA 寻优和 LSTM 训练，每个分量独立跑。最后np.sum沿分量轴相加，得到重构后的预测序列。

3. 从零跑通：环境、数据、训练三步落地

3.1 环境配置与依赖版本

这份源码基于 Tensorflow，anaconda 建虚拟环境是最省事的路子。Python 版本建议 3.8 到 3.10，太高了 Tensorflow 兼容性容易出问题。vmdpy 这个包不在 conda 默认源里，得用 pip 装。

# 创建虚拟环境 conda create -n vmd_lstm python=3.8 conda activate vmd_lstm # 安装核心依赖 pip install tensorflow==2.10.0 pip install vmdpy pip install numpy pandas matplotlib scikit-learn

逻辑说明：Tensorflow 2.10 是最后一个原生支持 Windows GPU 的版本，如果你机器上有 N 卡且装了 CUDA，这个版本能直接吃 GPU；没 GPU 就用 CPU 版，跑焦作这种规模的数据集完全够。vmdpy是 VMD 的 Python 实现，接口和 MATLAB 版基本一致。注意 numpy 版本别装太新，和 Tensorflow 有兼容矩阵，装完跑一句import tensorflow不报错就算过了。

3.2 数据读取与预处理

压缩包里有两个 CSV：焦作.csv和焦作全.csv。前者大概率是截取过的训练用数据，后者是完整序列。读之前先用文本编辑器或 pandas 看一眼列名和分隔符，别默认逗号分隔——有些导出文件是制表符或分号。

import pandas as pd import numpy as np from sklearn.preprocessing import MinMaxScaler # 读取数据，注意检查分隔符和表头 df = pd.read_csv('焦作全.csv') print(df.head()) print(df.shape) # 取目标列，归一化到 [0,1] values = df.iloc[:, 1].values.reshape(-1, 1) scaler = MinMaxScaler(feature_range=(0, 1)) scaled = scaler.fit_transform(values) # 滑动窗口构造监督学习样本 def create_dataset(data, window=20): X, y = [], [] for i in range(len(data) - window): X.append(data[i:i+window, 0]) y.append(data[i+window, 0]) return np.array(X), np.array(y) X, y = create_dataset(scaled, window=20) X = X.reshape(X.shape[0], X.shape[1], 1) # LSTM 需要 3D 输入

逻辑说明：归一化是 LSTM 的标配，不归一化收敛慢甚至不收敛。create_dataset把序列切成「前 20 步 → 第 21 步」的样本对。参数说明——window就是前面说的滑动窗口，reshape那一步把 2D 转成 LSTM 要求的(样本数, 时间步, 特征数)三维格式。这里有个血泪经验：归一化要用训练集 fit，测试集 transform，别全量 fit 再切分，否则信息泄漏，测试指标好看但没意义。

3.3 训练、预测与指标计算

环境通了、数据读进来了，剩下就是跑训练。源码里 SSA 寻优和最终训练是分开的，先跑优化拿到最优超参数，再用这组参数训练完整模型。

from sklearn.metrics import mean_squared_error, mean_absolute_error # 划分训练/测试集（8:2） split = int(len(X) * 0.8) X_train, X_test = X[:split], X[split:] y_train, y_test = y[:split], y[split:] # 用 SSA 最优参数构建并训练 LSTM model = build_lstm(units=64, lr=0.001) model.fit(X_train, y_train, epochs=100, batch_size=32, validation_split=0.1, verbose=1) # 预测并反归一化 pred = model.predict(X_test) pred_inv = scaler.inverse_transform(pred) y_test_inv = scaler.inverse_transform(y_test.reshape(-1, 1)) # 指标 rmse = np.sqrt(mean_squared_error(y_test_inv, pred_inv)) mae = mean_absolute_error(y_test_inv, pred_inv) print(f'RMSE: {rmse:.4f}, MAE: {mae:.4f}')

逻辑说明：validation_split=0.1从训练集里再切 10% 做验证，用于早停和监控过拟合。预测完必须反归一化才能和原始量纲对比。参数说明——epochs=100是最终训练轮数，配合 EarlyStopping 回调更稳；batch_size=32是常见起点，数据量小就降到 16。指标里 RMSE 对大误差敏感，MAE 更稳健，两个都看。

4. 避坑与排查：跑不通时先查这几处

4.1 现象：VMD 分解报错或返回全零分量

原因通常是输入信号长度太短，或者 K 设得比信号有效频率成分还多。VMD 内部要做 FFT，序列长度不够时频域分辨率不足，迭代不收敛。解决：确认信号长度至少几百个点，K 从 3 开始试，别一上来就设 10。

4.2 现象：LSTM 训练 loss 不降或变 NaN

最常见的原因是学习率太大或数据没归一化。焦作数据如果量纲在几百到几千，直接喂进去梯度会炸。解决：先确认归一化做了，再把学习率降到 0.001 甚至 0.0005。如果还 NaN，检查数据里有没有缺失值或异常值，pandas 读进来先df.isnull().sum()看一眼。

4.3 现象：SSA 优化跑了几小时还没结束

原因一般是 fitness 函数里跑了完整 epoch 且没有早停。SSA 种群规模和迭代次数相乘，计算量是成倍的。解决：优化阶段把 epochs 压到 30 到 50，加 EarlyStopping patience=5，种群规模 20 到 30 足够，别设 100。

4.4 现象：预测曲线整体平移或滞后

这是 LSTM 做单步预测的固有特性，不是 bug。如果滞后严重，检查滑动窗口是不是太小——窗口太短模型看不到完整周期。解决：把 window 从 20 调到 30 或 50 试试，或者改用多步预测策略。另外确认训练集和测试集没有被打乱顺序，时间序列不能 shuffle。

4.5 现象：叠加后的预测和真实值差一个量级

九成是反归一化时用错了 scaler，或者各分量预测完忘了逐点对齐。解决：确认scaler.inverse_transform用的是训练集 fit 的那个 scaler，且每个分量的预测结果长度一致、时间轴对齐后再相加。

5. 进阶玩法：把 SSA 换成其他优化器，以及怎么验证分解真的有用

跑通默认流程之后，最值得做的一件事是验证 VMD 分解到底有没有贡献。方法很简单：同一份数据，一组走 VMD-SSA-LSTM，一组直接 SSA-LSTM，其他条件完全一致，对比 RMSE 和 MAE。如果分解后指标没有明显改善，要么 K 选得不对，要么这份数据的非平稳性没那么强，分解就是多余的。我一般会把这个对比做成表格，放在报告里比任何文字都有说服力。

第二件事是换优化器。SSA 不是唯一选择，粒子群（PSO）、遗传算法（GA）、鲸鱼优化（WOA）都能替换，接口只要满足「输入参数向量、输出适应度」就能接。源码里 SSA 是独立模块，换的时候只改优化器调用部分，LSTM 构建和训练逻辑不用动。这也是参数化编程的好处——耦合度低，改一处不影响全局。

第三件事是调 VMD 的 K。很多人 K 设完就不管了，其实 K 对最终精度影响很大。我的习惯是 K 从 3 到 8 各跑一遍，记录每个 K 下的 RMSE，画一条曲线看拐点。通常 RMSE 会先降后升，最低点对应的 K 就是这份数据的合理分解数。这个过程费时间，但比拍脑袋定 K 靠谱得多。

最后说一个验证习惯：每次改完参数，别只看最终预测曲线，把每个 IMF 分量的预测结果也画出来。如果某个分量的预测几乎是一条直线，说明这个分量要么是趋势项（正常），要么是 LSTM 没学到东西（有问题）。从那以后我每次跑分解类模型，都强制把分量预测图过一遍，确认每个分量都被认真对待了，而不是被网络当成噪声忽略掉。希望帮到你。

本文还有配套的精品资源，点击获取