RNN、LSTM、GRU小白入门：Windows一键运行时间序列预测

RNN、LSTM、GRU小白入门：Windows一键运行时间序列预测

• RNN、LSTM、GRU小白入门：Windows一键运行时间序列预测
• 一、原始仓库讲了什么？
• 二、时间序列预测到底在做什么？
• 三、普通RNN是什么？
• 四、LSTM为什么增加三个门？
• 五、GRU与LSTM有什么区别？
• 六、为什么本文不用股票数据作为默认示例？
• 七、代码包如何防止乱码？
• 八、第一次运行
• 九、一键比较RNN、LSTM和GRU
• 十、核心模型代码
• 十一、为什么不能随机划分时间序列？
• 十二、早停和梯度裁剪有什么用？
• • 早停
  • 梯度裁剪
• 十三、怎样使用自己的CSV？
• 十四、单步预测与多步预测有什么区别？
• 十五、怎样用于遥感和水文时间序列？
• 十六、常见错误
• • [1. 找不到Python](#1. 找不到Python)
  • [2. CUDA available为False](#2. CUDA available为False)
  • [3. CSV找不到目标列](#3. CSV找不到目标列)
  • [4. 数据行数太少](#4. 数据行数太少)
  • [5. 预测变成一条平滑直线](#5. 预测变成一条平滑直线)
• 十七、RNN、LSTM和GRU谁最好？
• 十八、总结

RNN、LSTM、GRU小白入门：Windows一键运行时间序列预测

一句话读懂：

给模型过去36个时刻的数据，让它预测下一个时刻；分别使用RNN、LSTM和GRU训练，再用同一测试集比较预测曲线、RMSE、MAE和R²。本文不下载股票数据，不配置旧版TensorFlow，解压后双击脚本即可运行。

---

一、原始仓库讲了什么？

原始仓库围绕循环神经网络提供五类内容：

Basic RNN
Basic LSTM
股票/比特币价格预测
情感分析
音乐生成

其中股票示例使用Keras-TensorFlow，情感分析需要外部GloVe词向量，音乐生成需要music21和音乐数据。

需要注意：该仓库已于2025年6月3日归档，当前为只读状态。因此，本文保留其"从RNN到LSTM再到应用"的教学思路，但使用PyTorch重写最小可运行版本。

---

二、时间序列预测到底在做什么？

假设有一列连续观测：

10.2, 10.8, 11.1, 10.9, 11.5, ...

设置窗口长度为4后，训练样本可以整理为：

输入	目标
10.2, 10.8, 11.1, 10.9	11.5
10.8, 11.1, 10.9, 11.5	下一个值

本文默认使用过去36步预测下一步。

输入张量形状为：

[批次大小, 序列长度, 特征数量]

例如：

[64, 36, 1]

表示一次输入64个样本，每个样本包含36个时刻，每个时刻只有1个变量。

---

三、普通RNN是什么？

普通RNN会把当前输入和上一时刻隐藏状态组合起来：

当前输入 + 过去记忆 → 当前隐藏状态

它适合处理有顺序的数据，例如：

气温变化
降水序列
遥感指数时间序列
传感器读数
文本和语音

普通RNN结构简单，但序列很长时，早期信息可能难以保留，训练中还可能出现梯度消失或梯度爆炸。

---

四、LSTM为什么增加三个门？

LSTM全称：

Long Short-Term Memory

中文称为长短期记忆网络。

它在普通隐藏状态之外增加了细胞状态，并使用三个门控制信息：

门	小白理解
遗忘门	过去哪些信息可以删除
输入门	当前哪些信息需要写入
输出门	哪些记忆用于当前输出

可以把LSTM理解为一个带有"删除、写入、读取"开关的记忆本。

这不意味着LSTM一定比RNN准确。它只是为长期依赖提供了更合适的结构，最终效果仍取决于数据、窗口、参数和验证方式。

---

五、GRU与LSTM有什么区别？

GRU全称：

Gated Recurrent Unit

GRU通常使用更新门和重置门，没有单独的细胞状态，参数往往比同规模LSTM少。

简单比较：

模型	结构	常见特点
RNN	最简单	速度快，但长期记忆较弱
LSTM	三个门和细胞状态	长期依赖表达更完整
GRU	两个门	结构比LSTM简洁

不能只看模型名称判断谁最好，应该在同一数据划分上实测。

---

六、为什么本文不用股票数据作为默认示例？

股票示例看起来直观，但不适合当作第一个运行案例：

1. 数据源可能改变接口或限制访问；
2. 日期、缺失值和复权方式容易出错；
3. 随机切分可能产生未来信息泄漏；
4. 价格走势受新闻和制度变化影响；
5. 一条漂亮预测曲线不代表具有交易价值。

因此，本文默认生成一条包含趋势、周期和噪声的时间序列。它不需要联网，而且每次都可复现。

---

七、代码包如何防止乱码？

压缩包内：

所有文件名使用英文
所有文件夹名使用英文
中文Markdown和TXT使用UTF-8 with BOM

可以直接使用Windows资源管理器、WinRAR或7-Zip解压。

---

八、第一次运行

安装Python 3.11或3.12，安装时勾选：

Add Python to PATH

有NVIDIA显卡，双击：

Install_NVIDIA_GPU.bat

没有NVIDIA显卡，双击：

Install_CPU.bat

脚本会自动：

创建.venv虚拟环境
安装PyTorch
安装NumPy、Pandas和Matplotlib
检查CPU或CUDA环境
训练最小LSTM
生成预测图

成功结果：

outputs/lstm_minimal/lstm_prediction.png

---

九、一键比较RNN、LSTM和GRU

双击：

Run_Compare_Models.bat

三个模型使用相同的：

训练数据
验证数据
测试数据
窗口长度
隐藏层大小
优化器
训练轮数上限

输出：

outputs/comparison/model_comparison.png
outputs/comparison/validation_loss.png
outputs/comparison/metrics.csv
outputs/comparison/test_predictions.csv

model_comparison.png显示真实值和三个模型的测试预测曲线。

metrics.csv包含：

指标	含义
MAE	平均绝对误差，越小越好
RMSE	对较大误差更敏感，越小越好
R²	越接近1通常越好

---

十、核心模型代码

class SequenceRegressor(nn.Module):
    def __init__(self, cell_type="LSTM"):
        super().__init__()
        cells = {"RNN": nn.RNN, "LSTM": nn.LSTM, "GRU": nn.GRU}
        self.recurrent = cells[cell_type](
            input_size=1,
            hidden_size=32,
            batch_first=True,
        )
        self.head = nn.Linear(32, 1)

    def forward(self, x):
        sequence_output, _ = self.recurrent(x)
        last_step = sequence_output[:, -1, :]
        return self.head(last_step)

关键设置：

batch_first=True

因此输入顺序为：

[batch, sequence, feature]

sequence_output[:, -1, :]表示取每个样本最后一个时刻的隐藏特征，再通过全连接层输出下一个数值。

---

十一、为什么不能随机划分时间序列？

普通机器学习常使用随机训练测试划分，但时间序列具有先后顺序。

错误做法：

2025年数据进入训练集
2023年数据进入测试集

这等于让模型学习未来后再预测过去。

本文采用：

前70%：训练集
中间15%：验证集
最后15%：测试集

而且标准化的均值和标准差只使用训练集计算，验证集和测试集不会参与拟合。

---

十二、早停和梯度裁剪有什么用？

早停

训练损失继续下降，不代表未知数据效果继续提高。

代码监控验证损失；连续多轮没有改善时停止，并恢复验证集表现最好的模型。

梯度裁剪

循环网络处理长序列时可能出现梯度爆炸。

torch.nn.utils.clip_grad_norm_(model.parameters(), max_norm=1.0)

它会限制梯度总体大小，降低训练突然失控的概率。

---

十三、怎样使用自己的CSV？

CSV示例：

date,value
2025-01-01,12.5
2025-01-02,13.1
2025-01-03,12.9

运行：

.venv\Scripts\activate
python 03_Forecast_Your_CSV.py --csv your_data.csv --target value --time date

修改参数：

python 03_Forecast_Your_CSV.py --csv your_data.csv --target value --time date --window 30 --epochs 100 --future 20

参数含义：

参数	含义
--csv	CSV文件位置
--target	需要预测的数值列
--time	日期或时间列
--window	使用过去多少步
--epochs	最大训练轮数
--future	向未来递归预测多少步

---

十四、单步预测与多步预测有什么区别？

测试集上的单步预测使用真实的过去观测：

真实过去36步 → 预测第37步

未来递归预测没有新的真实观测：

预测第1步 → 放回输入 → 预测第2步 → 继续

因此，多步递归预测的误差会累积。未来预测越长，通常越不稳定。

---

十五、怎样用于遥感和水文时间序列？

可以把单变量value替换为：

NDVI
土壤湿度
地表温度
逐日降水
河流水位
流量
洪水面积
土壤电导率
作物长势指数

但实际科研应用还要处理：

• 云和无效像元；
• 不规则观测时间；
• 多源传感器尺度差异；
• 季节性和长期趋势；
• 空间自相关；
• 外生变量；
• 极端事件样本不平衡；
• 跨区域泛化与独立事件验证。

单变量LSTM只利用目标自身历史，不能自动理解降水、地形、灌溉和水库调度等外部驱动。

---

十六、常见错误

1. 找不到Python

重新安装Python并勾选：

Add Python to PATH

2. CUDA available为False

可能安装了CPU版PyTorch，或者NVIDIA驱动过旧。

删除.venv文件夹，更新驱动后重新运行：

Install_NVIDIA_GPU.bat

3. CSV找不到目标列

查看CSV第一行，确保参数与列名完全一致，包括大小写。

4. 数据行数太少

窗口为36时，至少需要明显多于36行。数据过少时，训练、验证和测试都不可靠。

5. 预测变成一条平滑直线

常见原因：

• 模型欠拟合；
• 输入窗口不合适；
• 数据噪声太大；
• 特征不足；
• 多步递归误差累积；
• 训练和测试分布发生变化。

不要只通过增加训练轮数解决所有问题。

---

十七、RNN、LSTM和GRU谁最好？

没有固定答案。

• 短序列、规律简单时，RNN可能已经够用；
• 长期依赖明显时，LSTM可能更稳；
• 数据量有限或希望模型更轻时，GRU值得尝试；
• 数据存在强外部驱动时，三者都可能不够。

正确做法是固定数据划分和评价指标进行比较，而不是只展示训练集拟合图。

---

十八、总结

小白只需要：

第一步：安装Python
第二步：解压代码包
第三步：双击CPU或GPU安装脚本
第四步：双击Run_Compare_Models.bat
第五步：在outputs中查看曲线和指标

这套代码重点不是证明LSTM一定最好，而是让你真正理解：

时间序列怎样变成监督学习样本
RNN、LSTM、GRU怎样接收三维输入
怎样正确划分训练、验证和测试集
怎样评价预测结果
怎样换成自己的CSV