Python融合RNN、GRU、LSTM多变量空气质量多步预测|附AI智能体、代码和数据
- 2026-06-27 14:22:25
全文链接：https://tecdat.cn/?p=46055原文出处：拓端数据部落公众号封面：
关于分析师
在此对 YouMing Zhang 对本文所作的贡献表示诚挚感谢，他在东北大学完成了信息与计算科学专业的学业，专注机器学习、深度学习算法领域。擅长Python、Matlab、神经网络、数据分析，专注于深度学习前沿动态与算法钻研。他曾参与多项涉及复杂数据建模的咨询项目，为客户提供从数据清洗到模型部署的全流程算法支持。
本文系统梳理了如何利用Python、Keras和Skforecast库，构建基于循环神经网络（RNN）及其变体（GRU、LSTM）的时间序列预测模型（点击文末“阅读原文”获取完整智能体、代码、数据、文档）。
摘要
中文摘要文章以某城市空气质量数据为实例，详细解答了以下几个关键问题：1) 如何针对单变量、多变量及多输出等不同业务场景，设计并适配深度学习网络结构？2) 如何利用create_and_compile_model工具高效搭建模型，并融入外生变量？3) 如何通过概率预测和自定义损失函数来满足更复杂的业务需求？4) 在实际项目中，如何权衡模型复杂度与预测精度的关系？AbstractThis report systematically summarizes how to build time series forecasting models based on Recurrent Neural Networks (RNN) and their variants (GRU, LSTM) using Python, Keras, and the Skforecast library. Taking air quality data as a case study, it addresses the following key questions: 1) How to design and adapt deep learning network structures for different business scenarios like single-series, multi-series, and multi-output forecasting? 2) How to efficiently build models using the create_and_compile_model tool and incorporate exogenous variables? 3) How to meet complex business requirements through probabilistic forecasting and custom loss functions? 4) How to balance the trade-off between model complexity and prediction accuracy in practical projects.
引言
时间序列预测一直是量化决策的核心，从金融风控到环境监测，精准捕捉时序数据中的非线性与长期依赖关系，是算法落地产生价值的关键。作为一名在人工智能与数据挖掘领域兼具学界研究与业界实践经验的从业者，我经常被问到：当传统统计模型遭遇瓶颈时，深度学习模型如何从理论殿堂走向业务一线？本文详细展示了如何运用循环神经网络（RNN）及其变体，系统性解决不同复杂度的多步预测问题。
本文将我们以往的RNN时序预测建模经验沉淀为一个对话式AI智能体，通过它，你可以直观地理解模型是如何一步一步搭建起来的。我们不仅探讨了单变量预测、多变量输入和多变量输出等不同场景下的模型设计，还深入介绍了如何引入外生变量、实施概率预测以及定制损失函数。
全文贯穿实战代码，旨在为研究生和算法工程师提供一份可复现、可操作的深度学习预测指南，帮助你在答辩或项目交付时胸有成竹。
阅读原文进群获取本文完整代码、数据、AI智能体及更多最新AI见解和行业洞察，可与900+行业人士交流成长；还提供人工答疑，拆解核心原理、代码逻辑与业务适配思路；遇代码运行问题，更能享24小时调试支持。
下面是本文分析脉络的流程图：
数据加载与探索 | v问题定义与划分 (单变量/多变量/多输出) | v特征工程 (滞后项/外生变量) | v模型搭建与编译 (create_and_compile_model) | v模型训练 (ForecasterRnn + 回调函数) | v回测与评估 (backtesting) | v高级应用 (概率预测/自定义损失) | v结论与策略选择1. 基础理论与模型剖析
深度学习是人工智能的一个领域，专注于创建基于神经网络的模型，使其能够学习非线性表示。循环神经网络（RNN）是一种专门为序列数据设计的深度学习架构，信息通过循环连接传播，使网络能够学习时间依赖性。
1.1 循环神经网络
传统的RNN在每个时间步接收当前数据点和上一个隐藏状态（网络的“记忆”），并更新隐藏状态。这种结构使其能够“记住”数据中的趋势和模式。然而，简单RNN在处理长期依赖时，会遇到梯度消失或爆炸的问题。
1.2 LSTM与GRU：长时记忆的革新者
为了解决上述问题，更先进的长短期记忆网络（LSTM） 和门控循环单元（GRU） 应运而生。它们通过巧妙的“门控”机制，能更好地捕捉时间序列中的长期复杂模式。
长短期记忆网络 (LSTM)LSTM的核心是记忆单元，并由三个门控制信息的流动。这就像是给网络配了一个专业的档案管理员，它知道何时该记住、何时该遗忘、何时该调用信息：
图：LSTM的输入输出结构图- 遗忘门：
决定从过去的记忆中丢弃哪些信息。 - 输入门：
控制有多少新信息需要存入记忆。 - 输出门：
决定基于当前的记忆输出多少信息。 门控循环单元 (GRU)GRU是LSTM的一个简化且高效的变体。它只有两个门（重置门和更新门），参数更少，计算效率更高，但在许多任务上能达到与LSTM相似的效果。这就像是用一台性能优化的发动机，在降低油耗的同时，保证了充足的马力。
1.3 问题类型的划分
预测问题的复杂性通常由三个核心问题决定：
使用哪些序列训练模型？ 目标是预测哪些序列（一个还是多个）？ 希望预测未来多少个时间步？
这衍生出三种典型的预测场景：
- 单变量、单输出：
仅用目标序列的过去值来预测其未来值。例如，仅用历史气温预测明天的气温。 - 多变量、单输出：
使用多个序列作为预测因子，但目标序列只有一个。例如，用历史气温、湿度和气压来预测未来的气温。 - 多变量、多输出：
使用多个序列作为预测因子，并同时预测多个目标序列。例如，同时预测未来多个污染物的浓度。
相关文章
DeepSeek、LangGraph和Python融合LSTM、RF、XGBoost、LR多模型预测NFLX股票涨跌|附AI智能体、代码和数据
原文链接：https://tecdat.cn/?p=44060
2. 实战建模：从数据到模型
本文使用某城市2019年至2021年的每小时空气质量数据，包含PM2.5、PM10、CO、NO2等多种污染物浓度。
2.1 数据准备与探索
首先，我们加载必要的库并读取数据。在开始前，需要设置Keras的后端（如PyTorch或TensorFlow），这一步决定了后续模型训练的基础架构。
这段代码的核心作用是初始化所有依赖库，并显式指定Keras使用PyTorch作为计算后端。这样做的好处是能利用PyTorch的动态图特性和强大的GPU加速能力。
接下来，我们从远程获取数据集，并将其划分为训练集、验证集和测试集。这是一个标准操作，训练集用于拟合模型，验证集用于调整超参数和防止过拟合，测试集则在最后评估模型的泛化能力。
我们通过图表来直观感受下各个序列的走势，这对理解数据特性至关重要。
# 绘制序列图set_dark_theme()colors = plt.rcParams['axes.prop_cycle'].by_key()['color'] * 2fig, axes = plt.subplots(len(data.columns), 1, figsize=(8, 8), sharex=True)for i, col in enumerate(data.columns): axes[i].plot(data[col], label=col, color=colors[i]) axes[i].legend(loc='upper right', fontsize=8) axes[i].tick_params(axis='both', labelsize=8)
图：数据集所有序列的可视化展示，白色虚线划分了训练、验证、测试集。
阅读原文进群获取完整内容及更多AI见解、行业洞察，与900+行业人士交流成长。
点击标题查阅往期内容
以下是关于 RNN、GRU、LSTM 的精选文章链接汇总，涵盖原理详解、时序预测应用、模型对比及实战案例等核心方向：
🤖 RNN系列模型原理与对比
详解RNN系列模型（Vanilla RNN、LSTM、GRU）通过“循环结构”捕捉时序依赖，其中LSTM和GRU通过门控机制解决传统RNN的“梯度消失”问题[7]。
对比GRU与LSTM在长期序列预测中的性能，GRU作为LSTM的轻量化改进，合并了遗忘门和输入门，参数量更少，训练更快[1]。
💹 金融时序预测实战
深度强化学习、蒙特卡洛模拟与时序预测：LSTM、GRU、Attention、DQN多策略智能体的股票交易决策体系构建—以Google股价为例
构建多达18种深度学习模型（包括LSTM、GRU），在预测Google股价未来30日走势的任务中，LSTM达到95.69%的准确率，GRU达到94.63%[2]。
通过PyTorch实现GRU模型对比特币价格进行预测，详细解析GRU的更新门、重置门等核心组件及其代码实现[3]。
🔧 多模型融合与优化
设计CNN-LSTM-GRU集成模型，通过“空间特征提取→时序特征分析→联合分类”的流程，实现优势互补，在入侵检测任务中准确率达100%[5]。
DeepSeek、LangGraph 和 Python 融合 LSTM、RF、XGBoost、LR 多模型预测 NFLX 股票涨跌
融合LSTM与传统机器学习模型，提升股票涨跌预测的鲁棒性，涵盖异常值处理与标准化等预处理步骤[1]。
📊 模型评估与性能总结
根据实际应用测试，不同模型在时序预测任务中的表现对比如下
2.2 高效构建RNN模型
create_and_compile_model 函数是skforecast提供的一个强大工具，它极大地简化了RNN模型的构建过程。我们只需指定序列、滞后观测数、预测步数和循环层类型，即可快速生成一个可用的Keras模型。
以下是使用该函数的一个基础调用示例，我们试图用一个简单的GRU模型来预测未来24小时的臭氧浓度。
这个函数也提供了高度灵活的接口用于高级定制，例如堆叠多层LSTM或GRU，并为每一层设置不同的激活函数。
2.3 场景一：单变量多步预测
在这个场景下，我们仅使用序列o3的过去值来预测其未来24小时的值。这是一个纯粹的从自身历史推断未来的自回归问题。
创建ForecasterRnn对象，并传入验证数据、回调函数等训练参数。使用EarlyStopping可以在验证集损失不再下降时自动停止训练，防止过拟合。
# 创建并训练预测器fcst = ForecasterRnn( estimator=mdl_single, levels=series_target, lags=lag_order, transformer_series=MinMaxScaler(), fit_kwargs={ "epochs": 25, "batch_size": 512, "callbacks": [ EarlyStopping(monitor="val_loss", patience=3, restore_best_weights=True) ], "series_val": data_val, },)fcst.fit(data_train[series_target])fcst训练过程的损失曲线是诊断模型学习状态的重要依据。
# 绘制训练过程损失曲线fig, axes = plt.subplots(figsize=(7, 3))fcst.plot_history(ax=axes)
图：训练损失与验证损失曲线。两条曲线紧密贴合并稳定下降，表明模型未出现过拟合。
当训练和验证的损失量级差异较大时，使用双轴图可以更清晰地对比。
图：使用双轴绘制的训练与验证损失，可以更好观察各自的收敛趋势。
接下来进行回测，以评估模型在未知数据上的表现。首先更新训练参数，将验证集纳入训练，然后执行回测。
最终，将预测值与真实值进行可视化对比，可以直观判断模型的效果。
# 绘制测试集上的预测 vs 真实值fig = go.Figure()# ...（此处省略绘图代码，用于对比data_test和predictions）...fig.show()2.4 场景二：多变量单输出预测
当目标序列受其他相关因素影响时，引入多个预测因子往往能提升效果。下面的代码展示了如何使用全部10个序列来预测o3。
(此处省略了模型训练、回测、结果可视化的完整代码，流程与上一场景类似)
2.5 场景三：多变量多输出预测
这个场景是最复杂的，目标是使用所有输入序列，同时预测多个目标（如o3, pm2.5, pm10）。这意味着单一模型能学习并捕捉不同序列间的相互关系。
(此处省略了模型训练、回测、结果可视化的完整代码)
图：多输出模型的训练历史。
预测策略效果对比
下表对比了三种策略下模型对o3序列的预测平均绝对误差（MAE）。结果显示，在本案例中，增加预测因子或多任务输出并未显著降低误差，甚至略有升高。这提醒我们，模型的复杂度和输入特征并非越多越好，必须结合领域知识和实际效果进行选择。
| 多变量、多输出 |
3. 进阶应用：外生变量与概率预测
3.1 引入外生变量
外生变量是指不依赖目标序列本身，但对其有影响的外部特征，如节假日、天气等。为了演示，我们加载一个包含天气和节假日信息的共享单车数据集。为了让模型理解时间的周期性，我们将日期特征（如小时、星期几）通过正弦和余弦进行循环编码。
【建模技巧注解】 循环编码：为什么不用0-23直接表示小时？因为这样会让模型误以为23点和0点相差很远（数值上差了23），而实际上它们是循环相接的。通过正弦和余弦变换，可以将这种循环关系自然地嵌入到模型中。
在create_and_compile_model中，只需将构建好的外生变量DataFrame传入exog参数，模型会自动调整输入层结构，将时间序列特征与外生特征在适当的维度上进行拼接。
(此处省略了训练、预测及可视化代码)
图：引入外生变量后模型的训练历史。验证损失出现波动，存在一定程度的过拟合风险。
3.2 概率预测：量化不确定性
点预测只能给出一个期望值，而业务决策往往需要知道预测的“靠谱程度”。通过共形预测框架，我们可以利用历史残差来构建预测区间。
图：共形预测生成的80%预测区间。灰色区域代表了预测的不确定性范围。
5. 总结
本文通过一个贯穿始终的空气质量与共享单车预测案例，系统地展示了使用Python生态进行深度学习时间序列预测的全流程。我们从理论出发，落地到实战，涵盖了从数据准备、模型搭建、训练评估到高级应用的全过程。
模型适配性验证： 我们实践了三种预测场景（单变量、多变量单输出、多变量多输出），并定量对比了不同策略下的模型误差，发现模型复杂度与实际性能并非简单线性关系，为模型选型提供了实证依据。
核心工具链掌握： 详细解析了
ForecasterRnn和create_and_compile_model的使用方法，它们极大简化了RNN模型的构建、训练和回测流程，让开发者能将精力聚焦于特征工程和业务逻辑本身。进阶需求实现： 展示了如何通过加入外生变量来丰富模型的信息输入，以及如何利用共形预测对预测结果的不确定性进行量化，满足了更高级的决策支持需求。
工程实践启示： 讨论了GPU训练、自定义损失函数等实际应用中会遇到的工程问题，为模型从理论原型走向生产部署提供了思路。
本文配套的论文建模可直接套用的AI智能体、完整代码包、实证分析，可加小助手：tecdat_cn。
本文中分析的完整智能体、数据、代码、文档分享到会员群，扫描下面二维码即可加群！
资料获取
在公众号后台回复“领资料”，可免费获取数据分析、机器学习、深度学习等学习资料。
点击文末“阅读原文”
获取完整智能体、
代码、数据和文档。
