LSTM时间序列预测：从模型训练到可解释性实战

时间序列预测最让人头疼的不是准确率，而是“黑盒”属性。当你用LSTM跑出一个预测数值时，很难说清楚模型到底是依赖昨天的气温，还是在看过去一周的整体趋势。为了把这个黑盒拆开，我用天气数据实测了三种可解释性方法。

一、 数据预处理与窗口化

LSTM要求输入必须是三维张量 (samples, timesteps, features)。要把单一的气温列转换成模型能认的格式，得用滑动窗口把数据切成7天一组的序列。

import numpy as np
import pandas as pd
from sklearn.preprocessing import MinMaxScaler

# 1. 加载数据
df = pd.read_csv("weather_data.csv")
data = df['Temperature'].values.reshape(-1, 1)

# 2. 归一化（这步极其关键，否则容易出现梯度爆炸）
scaler = MinMaxScaler(feature_range=(0, 1))
scaled_data = scaler.fit_transform(data)

# 3. 构建序列：用前7天预测第8天
X, y = [], []
for i in range(7, len(scaled_data)):
    X.append(scaled_data[i-7:i])
    y.append(scaled_data[i])

X, y = np.array(X), np.array(y)

二、 模型构建

这里采用了双层LSTM堆叠，并加入了Dropout防止过拟合。

from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import LSTM, Dense, Dropout, Input
from tensorflow.keras.callbacks import EarlyStopping

model = Sequential([
    Input(shape=(7, 1)),
    LSTM(units=100, activation='relu', return_sequences=True),
    Dropout(0.2),
    LSTM(units=100, activation='relu'),
    Dropout(0.2),
    Dense(units=1)
])

model.compile(optimizer='adam', loss='mse')

# 配置早停机制，避免死磕epoch数
early_stopping = EarlyStopping(
    monitor='val_loss', 
    patience=10, 
    restore_best_weights=True
)

history = model.fit(
    X, y, 
    epochs=50, 
    batch_size=32, 
    validation_split=0.2, 
    callbacks=[early_stopping]
)

注意一个细节：第一层LSTM必须设置 return_sequences=True 才能接第二层，否则传给下一层的是单个向量而不是序列。

三、 拆解模型：它到底在看什么？

模型训练完后，我尝试用“排列重要性（Permutation Importance）”来验证模型对不同时间步的依赖程度。逻辑很简单：随机打乱其中一天的温度数据，看预测误差增加了多少。如果误差暴增，说明模型极度依赖这一天。

from sklearn.metrics import mean_squared_error

base_preds = model.predict(X, verbose=0)
base_error = mean_squared_error(y, base_preds)

feature_importance = []
for i in range(7):
    X_permuted = X.copy()
    np.random.shuffle(X_permuted[:, i, 0]) # 随机打乱特定滞后天数的数据
    
    permuted_preds = model.predict(X_permuted, verbose=0)
    permuted_error = mean_squared_error(y, permuted_preds)
    
    feature_importance.append(permuted_error - base_error)

通过这种方式，可以量化出模型对“昨天”和“一周前”权重的真实差异。