PyTorch-2.x实战案例：时间序列预测模型训练步骤

1. 引言：为什么选择PyTorch做时间序列预测？

时间序列预测在金融、气象、能源调度和供应链管理中无处不在。比如，你想知道明天的用电量、下周的股票走势，或者下个月的销量趋势——这些都属于时间序列问题。

而PyTorch作为当前最主流的深度学习框架之一，凭借其动态计算图、灵活的模型构建方式以及强大的社区支持，已经成为许多研究者和工程师的首选工具。尤其是从PyTorch 2.0开始，引入了torch.compile()等性能优化特性，让训练更高效，部署更轻松。

本文将带你用一个真实可运行的案例，手把手完成基于LSTM的时间序列预测模型训练全过程。我们使用的环境是“PyTorch-2.x-Universal-Dev-v1.0”镜像，它已经预装了Pandas、Numpy、Matplotlib和Jupyter，无需额外配置，开箱即用。

你不需要是PyTorch专家，只要会写Python基础代码，就能跟着走完全流程。

2. 环境准备与验证

2.1 验证GPU是否可用

进入容器后，第一步建议检查CUDA环境是否正常：

nvidia-smi

你应该能看到显卡型号、显存使用情况和驱动版本。接着在Python中确认PyTorch能否识别GPU：

import torch print("CUDA可用:", torch.cuda.is_available()) print("CUDA版本:", torch.version.cuda) print("当前设备:", torch.cuda.current_device()) print("设备名称:", torch.cuda.get_device_name(0))

如果输出类似True和你的显卡型号（如RTX 4090或A800），说明环境就绪。

提示：该镜像默认已配置阿里源或清华源，pip安装包速度快，不易超时。

3. 数据准备：加载并处理时间序列数据

3.1 使用Pandas读取数据

我们将以经典的Airline Passengers（航空公司乘客数量）数据集为例。这是一个月度数据，记录了1949年到1960年的乘客人数变化，非常适合用来演示趋势性和周期性建模。

首先创建一个Jupyter Notebook或Python脚本文件：

import pandas as pd import numpy as np import matplotlib.pyplot as plt # 下载数据 url = 'https://raw.githubusercontent.com/jbrownlee/Datasets/master/airline-passengers.csv' data = pd.read_csv(url) # 查看前几行 print(data.head())

输出如下：

Month #Passengers 0 1949-01 112 1 1949-02 118 2 1949-03 132 ...

3.2 数据清洗与可视化

我们需要把日期设为索引，并绘制原始曲线观察趋势：

# 设置日期为索引 data['Month'] = pd.to_datetime(data['Month']) data.set_index('Month', inplace=True) # 绘图 plt.figure(figsize=(12, 6)) plt.plot(data, label='Monthly Passengers') plt.title('Airline Passenger Numbers Over Time') plt.xlabel('Date') plt.ylabel('Number of Passengers (thousands)') plt.legend() plt.grid(True) plt.show()

你会看到一条明显的上升趋势和季节性波动——这正是我们要捕捉的特征。

4. 特征工程：构建适合LSTM的输入格式

4.1 归一化处理

神经网络对数值范围敏感，所以我们先对数据进行归一化：

from sklearn.preprocessing import MinMaxScaler scaler = MinMaxScaler(feature_range=(-1, 1)) scaled_data = scaler.fit_transform(data.values.reshape(-1, 1))

这里我们将所有值缩放到[-1, 1]区间，这是LSTM常用的输入范围。

4.2 构造滑动窗口样本

LSTM不能直接处理整个序列，需要将其拆分为多个“过去窗口 → 未来值”的样本对。

例如，用前12个月的数据预测第13个月：

def create_sequences(data, seq_length): xs, ys = [], [] for i in range(len(data) - seq_length): x = data[i:i+seq_length] y = data[i+seq_length] xs.append(x) ys.append(y) return np.array(xs), np.array(ys) SEQ_LENGTH = 12 # 使用12个月的历史数据 X, y = create_sequences(scaled_data, SEQ_LENGTH) print(f"样本数: {X.shape[0]}, 每个样本长度: {X.shape[1]}")

输出应为：样本数: 132, 每个样本长度: 12

5. 模型定义：搭建LSTM网络结构

5.1 定义PyTorch模型类

我们构建一个简单的三层结构：LSTM层 + ReLU激活 + 全连接输出层。

import torch import torch.nn as nn class LSTMModel(nn.Module): def __init__(self, input_size=1, hidden_layer_size=50, output_size=1): super(LSTMModel, self).__init__() self.hidden_layer_size = hidden_layer_size self.lstm = nn.LSTM(input_size, hidden_layer_size, batch_first=True) self.linear = nn.Linear(hidden_layer_size, output_size) def forward(self, x): batch_size = x.size(0) h0 = torch.zeros(1, batch_size, self.hidden_layer_size).to(x.device) c0 = torch.zeros(1, batch_size, self.hidden_layer_size).to(x.device) lstm_out, _ = self.lstm(x, (h0, c0)) predictions = self.linear(lstm_out[:, -1]) return predictions

说明：

• batch_first=True表示输入维度为(batch, seq_len, features)
• 我们只取最后一个时间步的输出来做预测（单步预测）
• 初始隐藏状态h0和细胞状态c0初始化为零

5.2 实例化模型并移动到GPU

device = 'cuda' if torch.cuda.is_available() else 'cpu' model = LSTMModel().to(device)

6. 训练流程：编写完整的训练循环

6.1 准备数据加载器

将NumPy数组转换为Tensor，并使用DataLoader实现批量训练：

from torch.utils.data import DataLoader, TensorDataset # 转换为Tensor X_tensor = torch.from_numpy(X).float().to(device) y_tensor = torch.from_numpy(y).float().to(device) # 创建数据集和加载器 dataset = TensorDataset(X_tensor, y_tensor) dataloader = DataLoader(dataset, batch_size=16, shuffle=False) # 时间序列不打乱

注意：时间序列数据不能打乱顺序，所以shuffle=False。

6.2 设置损失函数与优化器

criterion = nn.MSELoss() # 均方误差 optimizer = torch.optim.Adam(model.parameters(), lr=0.001)

6.3 编写训练循环

EPOCHS = 100 model.train() for epoch in range(EPOCHS): total_loss = 0 for x_batch, y_batch in dataloader: optimizer.zero_grad() y_pred = model(x_batch) loss = criterion(y_pred, y_batch) loss.backward() optimizer.step() total_loss += loss.item() if (epoch + 1) % 20 == 0: print(f"Epoch [{epoch+1}/{EPOCHS}], Loss: {total_loss/len(dataloader):.6f}")

训练过程大约几十秒完成（取决于GPU）。最终loss会降到0.001以下，表示模型学会了拟合训练数据。

7. 模型评估：预测结果反归一化与可视化

7.1 进行预测

model.eval() with torch.no_grad(): test_predictions = model(X_tensor).cpu().numpy()

7.2 反归一化还原真实值

# 将预测值和真实值都还原回原始尺度 test_predictions_rescaled = scaler.inverse_transform(test_predictions) true_values_rescaled = scaler.inverse_transform(y_tensor.cpu().numpy())

7.3 可视化对比图

plt.figure(figsize=(14, 7)) plt.plot(true_values_rescaled, label="真实值", color='blue') plt.plot(test_predictions_rescaled, label="预测值", color='red', linestyle='--') plt.title("LSTM模型预测效果对比") plt.xlabel("时间步") plt.ylabel("乘客数量") plt.legend() plt.grid(True) plt.show()

你会发现红色虚线基本贴合蓝色实线，尤其是在中期表现良好。但在末尾可能出现一定偏差，这是过拟合或长期依赖衰减的常见现象。

8. 提升建议：如何进一步优化模型？

虽然我们的基础模型已经能工作，但实际项目中还可以做以下改进：

8.1 加入验证集防止过拟合

将最后24个样本作为验证集，在每个epoch后评估性能，及时停止训练。

train_size = int(len(X) * 0.8) X_train, X_test = X[:train_size], X[train_size:] y_train, y_test = y[:train_size], y[train_size:]

8.2 使用torch.compile()加速训练（PyTorch 2.0+新特性）

compiled_model = torch.compile(model) # 自动优化图执行

开启后，训练速度平均提升15%-30%，尤其在大型模型上更明显。

8.3 尝试双向LSTM或多层堆叠

self.lstm = nn.LSTM(input_size, hidden_layer_size, num_layers=2, bidirectional=True, batch_first=True)

多层和双向结构有助于捕捉更复杂的时序模式。

8.4 添加Dropout防止过拟合

self.lstm = nn.LSTM(input_size, hidden_layer_size, dropout=0.2, ...)

9. 总结：掌握核心步骤，快速迁移应用

9.1 关键步骤回顾

我们完整走了一遍时间序列预测的典型流程：

1. 环境验证：确保PyTorch + GPU正常运行
2. 数据加载：使用Pandas读取CSV并可视化趋势
3. 数据预处理：归一化 + 滑动窗口构造样本
4. 模型定义：构建LSTM网络结构
5. 训练循环：定义损失函数、优化器并迭代训练
6. 结果评估：反归一化后绘图对比预测与真实值
7. 优化方向：加入验证集、编译加速、结构调整

这套方法可以轻松迁移到其他场景，比如：

• 股价预测（需注意非平稳性）
• 电力负荷预测（多变量输入）
• 销量预测（结合节假日特征）

只需替换数据源，调整input_size和SEQ_LENGTH即可复用大部分代码。

获取更多AI镜像

想探索更多AI镜像和应用场景？访问 CSDN星图镜像广场，提供丰富的预置镜像，覆盖大模型推理、图像生成、视频生成、模型微调等多个领域，支持一键部署。