简介本资源是一份面向具备Python编程与机器学习基础的研发人员、数据科学家及进阶学习者的时间序列预测实战项目聚焦k均值聚类与LSTM深度结合的多输入多输出组合建模方法有效提升能源管理、气象预测、金融分析等场景下的预测精度与鲁棒性。资源为1个57KB的DOCX文档完整覆盖环境准备、数据预处理、k-means子集划分、LSTM模型构建与评估、超参数调优、GUI交互界面设计等八大核心阶段含详细代码示例、模型架构图、算法流程图、目录结构说明及部署注意事项。内容预览显示文档逻辑严密从项目背景、创新点到未来改进方向均有系统阐述并特别强化GUI操作闭环——用户可一键完成数据加载、模型训练与多变量预测输出。目前已有66人学习下载是少有的将聚类预处理、深度时序建模与工程化界面深度融合的全流程Python实践范例。1. 为什么用 k-means LSTM 做多输入多输出预测比单模型更稳——一个真实工业时序场景的落地选择某实验室在做设备运行状态预测时发现单纯用 LSTM 预测温度、压力、振动三路信号的未来 6 步值RMSE 在测试集上波动极大0.821.93尤其在工况突变点如启停机、负载跳变附近误差飙升而直接套用传统统计模型如 VAR、ARIMA又无法捕捉非线性动态耦合关系。后来他们把原始多维时序先用 k-means 聚类成 4 类典型运行模态稳态、升载过渡、降载抖动、异常震荡再为每类训练专属 LSTM 子模型最终整体 MAE 下降 37%且各模态内预测置信度显著提升。这不是玄学——k-means 在这里不是“聚类分析”而是对时序动力学行为的无监督分段建模它把黑匣子 LSTM 的泛化压力拆解为多个局部可解释、局部可优化的子问题。本项目正是围绕这个思路展开用 Python 实现完整的 k-means-LSTM 多输入多输出MIMO组合预测流程包含数据预处理、模态划分、子模型并行训练、GUI 可视化交互与结果回溯验证。适合已有时序预测基础、正被“模型在部分时段崩得离谱”困扰的工程师也适合想把聚类从“探索性分析”推进到“预测架构组件”的进阶学习者。全文不依赖任何云服务或第三方平台所有代码可在本地 Python 3.8 环境中一键复现。2. 构建可复用的 k-means-LSTM MIMO 预测框架从数据切片到子模型封装2.1 多输入多输出时序数据的标准化切片逻辑多输入多输出MIMO不是简单拼接特征关键在于时间对齐和步长解耦。我们以预测未来 6 个时间步的三路信号温度 T、压力 P、振动 V为例输入需包含历史窗口如过去 24 小时每 5 分钟采样共 288 点但三路信号采样频率可能不同如 T 每 5 分钟、P 每 10 分钟、V 每 2 分钟。常见错误是直接插值拉齐——这会引入虚假相关性。正确做法是先按最高频信号V2 分钟重采样所有通道使用前向填充 线性插值混合策略高频段用前向填充保相位低频段用线性插值保趋势再滑动切片每个样本 [X_window, y_horizon]其中X_window是(288, 3)的三维数组时间步×特征数y_horizon是(6, 3)的目标矩阵预测步长×输出维度。import numpy as np import pandas as pd from scipy.interpolate import interp1d def align_and_slice(df_raw: pd.DataFrame, freq_target2T, window_len288, horizon6) - tuple[np.ndarray, np.ndarray]: 对齐多源时序并生成 MIMO 切片 df_raw: 列为 [timestamp, T, P, V]timestamp 为 datetime freq_target: 目标重采样频率2T2分钟 window_len: 输入窗口长度单位目标频率下的点数 horizon: 输出预测步长同单位 # 1. 时间索引对齐 df df_raw.set_index(timestamp).sort_index() # 2. 重采样高频用前向填充保留瞬时值低频用线性插值平滑趋势 df_resamp df.resample(freq_target).first() # 先取每段首个值保突变点 mask_missing df_resamp.isna().any(axis1) # 对缺失段用前后非空值线性插值仅对连续缺失≤5点有效 for col in [T, P, V]: valid_idx df_resamp[col].dropna().index if len(valid_idx) 2: continue f interp1d(valid_idx.astype(np.int64), df_resamp.loc[valid_idx, col], kindlinear, fill_valueextrapolate) df_resamp.loc[mask_missing, col] f( df_resamp[mask_missing].index.astype(np.int64) ) # 3. 滑动切片避免未来信息泄露 X, y [], [] data_arr df_resamp[[T,P,V]].values for i in range(len(data_arr) - window_len - horizon): X.append(data_arr[i:iwindow_len]) y.append(data_arr[iwindow_len:iwindow_lenhorizon]) return np.array(X), np.array(y) # 使用示例假设已加载原始数据 # X_all, y_all align_and_slice(df_raw, freq_target2T, window_len288, horizon6) # print(f切片后 X shape: {X_all.shape}, y shape: {y_all.shape}) # (N, 288, 3), (N, 6, 3)参数说明freq_target必须显式指定不能依赖df.index.freq自动推断实测中 30% 数据因时间戳微偏导致自动推断失败window_len和horizon单位必须统一为重采样后的点数否则切片错位interp1d的fill_valueextrapolate是关键——它让首尾少量缺失也能补全避免切片数量锐减。2.2 用 k-means 对历史窗口进行模态聚类不是聚点而是聚“行为模式”此处 k-means 的输入不是原始时序点而是每个X_window的时序特征向量。直接对(288,3)矩阵 flatten 成(864,)向量会丢失时序结构。我们采用三层特征工程统计层每列T/P/V计算均值、标准差、偏度、峰度、最大值/最小值差5×315 维频域层对每列做 FFT取前 10 个幅值主频10×330 维动态层计算每列的一阶差分绝对值均值、二阶差分方差2×36 维合计 51 维特征向量。经 PCA 降至 20 维后聚类效果稳定且物理意义清晰如 PC1 主要表征“整体波动强度”PC2 表征“多变量同步性”。from sklearn.cluster import KMeans from sklearn.decomposition import PCA from sklearn.preprocessing import StandardScaler def extract_window_features(X_windows: np.ndarray) - np.ndarray: 提取每个窗口的 51 维时序特征 X_windows: (N, window_len, n_features) e.g., (1000, 288, 3) return: (N, 51) N, L, F X_windows.shape features np.zeros((N, 51)) for i in range(N): win X_windows[i] # (288, 3) # 1. 统计特征5 per feature for f in range(F): x win[:, f] features[i, f*5:(f1)*5] [ np.mean(x), np.std(x), pd.Series(x).skew(), # 偏度 pd.Series(x).kurtosis(), # 峰度 np.max(x) - np.min(x) # 极差 ] # 2. 频域特征FFT前10幅值 for f in range(F): x win[:, f] fft_vals np.abs(np.fft.fft(x))[:L//2] features[i, 15 f*10:15 (f1)*10] np.sort(fft_vals)[-10:][::-1] # 3. 动态特征一阶差分均值、二阶差分方差 for f in range(F): x win[:, f] dx np.abs(np.diff(x)) ddx np.diff(dx) features[i, 45 f*2:(f1)*2 45] [np.mean(dx), np.var(ddx)] return features # 执行聚类以 K4 为例 X_features extract_window_features(X_all) # (N, 51) scaler StandardScaler() X_scaled scaler.fit_transform(X_features) pca PCA(n_components20) X_pca pca.fit_transform(X_scaled) kmeans KMeans(n_clusters4, random_state42, n_init10) cluster_labels kmeans.fit_predict(X_pca) # (N,) 每个窗口所属模态 # 验证聚类质量计算轮廓系数 from sklearn.metrics import silhouette_score silhouette_avg silhouette_score(X_pca, cluster_labels) print(fK4 时轮廓系数: {silhouette_avg:.3f}) # 0.5 为合理逻辑说明extract_window_features中 FFT 截取[:L//2]是因实信号 FFT 共轭对称只取正半轴np.sort(...)[-10:][::-1]确保取的是最强的 10 个频点非排序后前 10 个StandardScaler必须在 PCA 前做否则 PCA 会受量纲影响n_init10防止 k-means 局部最优——实测中n_init1时不同运行结果轮廓系数波动达 ±0.15。2.3 为每个模态训练独立 LSTM 子模型多输出结构与损失函数设计每个子模型需处理X_window → y_horizon映射且y_horizon是(6,3)矩阵6 步×3 变量。LSTM 层输出需适配此结构。我们采用TimeDistributed Dense结构LSTM 输出(6, hidden_size)再经TimeDistributed(Dense(3))得(6,3)。损失函数用加权 MAE对预测误差大的步长如第 1 步赋予更高权重因工业场景中首步预测偏差直接影响控制决策。import tensorflow as tf from tensorflow.keras.models import Sequential from tensorflow.keras.layers import LSTM, Dense, TimeDistributed, Dropout def build_lstm_mimo_model(input_shape(288,3), horizon6, hidden_units64): 构建 MIMO LSTM 模型 input_shape: (timesteps, features) horizon: 预测步长即输出时间维度 model Sequential([ LSTM(hidden_units, return_sequencesTrue, # 关键保持时间维度以便 TimeDistributed input_shapeinput_shape), Dropout(0.2), LSTM(hidden_units, return_sequencesTrue), Dropout(0.2), # 输出层TimeDistributed 保证每时间步独立映射到 3 维 TimeDistributed(Dense(3, activationlinear)) ]) # 自定义加权 MAE 损失第1步权重2.0其余1.0 def weighted_mae(y_true, y_pred): weights tf.constant([2.0] [1.0]*(horizon-1)) # (6,) weights tf.expand_dims(weights, axis-1) # (6,1) 适配 broadcast return tf.reduce_mean(tf.abs(y_true - y_pred) * weights) model.compile(optimizeradam, lossweighted_mae, metrics[mae]) return model # 为每个模态训练子模型 models {} for cluster_id in np.unique(cluster_labels): # 获取该模态的数据索引 mask (cluster_labels cluster_id) X_cluster X_all[mask] y_cluster y_all[mask] # 构建并训练模型 model build_lstm_mimo_model(input_shape(288,3), horizon6) history model.fit( X_cluster, y_cluster, epochs50, batch_size32, validation_split0.2, verbose0 ) models[cluster_id] model print(f模态 {cluster_id} 训练完成验证 MAE: {history.history[val_mae][-1]:.4f})参数说明return_sequencesTrue是 MIMO 输出的关键若设为 FalseLSTM 只输出最后一步无法匹配(6,3)目标TimeDistributed层本质是将同一个 Dense 层应用到每个时间步比RepeatVectorDense更符合时序因果加权损失中tf.expand_dims(weights, axis-1)确保权重能正确广播到(batch, 6, 3)的预测张量上。3. GUI 设计与交互逻辑让组合预测真正可用3.1 基于 PyQt5 的预测主界面布局与核心控件GUI 不是装饰而是解决三个实际问题1让用户直观理解“当前输入属于哪个模态”2支持手动切换模态以对比预测结果3提供历史预测回溯功能验证模型在真实工况下的稳定性。界面采用三栏布局左栏参数设置、中栏模态识别与预测、右栏结果可视化。核心控件包括QComboBox选择预设工况模板如“稳态运行”、“启机过程”自动加载对应历史窗口QLabel实时显示当前窗口的 k-means 模态标签及置信度用该模态内样本到聚类中心的归一化距离倒数表示QPushButton“执行预测”触发完整 pipeline“导出 CSV”保存结果matplotlib FigureCanvas双 Y 轴绘图——左轴画三路实测值过去 288 点右轴画六步预测值带 95% 置信区间由子模型多次 dropout 推理获得。import sys from PyQt5.QtWidgets import (QApplication, QMainWindow, QWidget, QVBoxLayout, QHBoxLayout, QLabel, QComboBox, QPushButton, QGroupBox) from PyQt5.QtCore import Qt import matplotlib.pyplot as plt from matplotlib.backends.backend_qt5agg import FigureCanvasQTAgg as FigureCanvas class PredictionGUI(QMainWindow): def __init__(self, models, kmeans_model, scaler, pca, cluster_centers): super().__init__() self.models models self.kmeans kmeans_model self.scaler scaler self.pca pca self.cluster_centers cluster_centers self.setWindowTitle(k-means-LSTM 多输入多输出预测系统) self.setGeometry(100, 100, 1400, 800) # 主体布局 central_widget QWidget() self.setCentralWidget(central_widget) main_layout QHBoxLayout(central_widget) # 左栏参数设置 left_group QGroupBox(参数设置) left_layout QVBoxLayout() self.combo_template QComboBox() self.combo_template.addItems([自定义输入, 稳态运行模板, 启机过程模板, 异常震荡模板]) left_layout.addWidget(QLabel(选择工况模板)) left_layout.addWidget(self.combo_template) self.btn_predict QPushButton(执行预测) self.btn_predict.clicked.connect(self.run_prediction) left_layout.addWidget(self.btn_predict) left_group.setLayout(left_layout) # 中栏模态识别 mid_group QGroupBox(模态识别) mid_layout QVBoxLayout() self.label_modal QLabel(当前模态待计算) self.label_confidence QLabel(置信度-) mid_layout.addWidget(QLabel(识别结果)) mid_layout.addWidget(self.label_modal) mid_layout.addWidget(self.label_confidence) mid_group.setLayout(mid_layout) # 右栏可视化 right_group QGroupBox(预测结果) right_layout QVBoxLayout() self.figure, self.ax plt.subplots(figsize(8,6)) self.canvas FigureCanvas(self.figure) right_layout.addWidget(self.canvas) right_group.setLayout(right_layout) # 添加到主布局 main_layout.addWidget(left_group, 1) main_layout.addWidget(mid_group, 1) main_layout.addWidget(right_group, 3) def run_prediction(self): # 1. 获取当前模板对应的历史窗口此处简化为随机生成示例 if self.combo_template.currentText() 自定义输入: # 实际中应从 QLineEdit 或文件读取 X_input np.random.randn(1, 288, 3) * 0.5 25.0 # 模拟温压振数据 else: # 加载预存模板路径由 config.py 管理 X_input self.load_template(self.combo_template.currentText()) # 2. 提取特征并预测模态 feat extract_window_features(X_input) # (1, 51) feat_scaled self.scaler.transform(feat) feat_pca self.pca.transform(feat_scaled) modal_id self.kmeans.predict(feat_pca)[0] # 3. 计算置信度1 / (归一化距离) dist np.linalg.norm(feat_pca - self.cluster_centers[modal_id]) max_dist np.max([np.linalg.norm(feat_pca - c) for c in self.cluster_centers]) confidence 1.0 / (1.0 dist / (max_dist 1e-8)) # 归一化到 [0,1] self.label_modal.setText(f当前模态{modal_id}) self.label_confidence.setText(f置信度{confidence:.3f}) # 4. 调用对应子模型预测 y_pred self.models[modal_id].predict(X_input) # (1, 6, 3) # 5. 绘图简化版实际含双Y轴和置信区间 self.ax.clear() # 绘制输入窗口的最后 50 点作为背景 self.ax.plot(range(-50, 0), X_input[0, -50:, 0], label温度(实测), alpha0.7) # 绘制预测值 pred_steps range(1, 7) self.ax.plot(pred_steps, y_pred[0, :, 0], ro-, label温度(预测)) self.ax.legend() self.canvas.draw() # 启动 GUI if __name__ __main__: app QApplication(sys.argv) # 假设已训练好 models, kmeans, scaler, pca, cluster_centers window PredictionGUI(models, kmeans, scaler, pca, kmeans.cluster_centers_) window.show() sys.exit(app.exec_())逻辑说明GUI 中load_template()方法应从templates/目录读取.npy文件实际部署时需增加文件存在性检查置信度计算用1/(1dist/max_dist)是因原始距离无界此公式将其压缩至(0,1]区间且当距离0时置信度1绘图部分虽简化但ax.plot()的alpha参数对实测曲线降权、突出预测点是工业看板常用技巧。3.2 模态切换与结果对比功能为什么不能只信“最高置信度”在真实系统中单一模态预测可能失效。例如当设备处于“稳态”向“升载”过渡的临界点时k-means 可能给出 0.65 置信度的“稳态”标签但该模态子模型对升载趋势的捕捉能力弱。此时应允许用户查看其他模态的预测结果即使置信度低判断哪条曲线更符合物理规律手动指定模态强制调用对应子模型用于故障诊断时的假设验证导出所有模态的预测结果 CSV供后续融合如加权平均权重置信度。# 在 PredictionGUI 类中扩展方法 def show_all_modal_predictions(self, X_input: np.ndarray): 显示所有模态的预测结果对比 feat extract_window_features(X_input) feat_scaled self.scaler.transform(feat) feat_pca self.pca.transform(feat_scaled) all_preds {} all_confs {} for modal_id in self.models.keys(): # 预测 y_pred self.models[modal_id].predict(X_input) all_preds[modal_id] y_pred[0] # (6,3) # 置信度 dist np.linalg.norm(feat_pca - self.cluster_centers[modal_id]) max_dist np.max([np.linalg.norm(feat_pca - c) for c in self.cluster_centers]) all_confs[modal_id] 1.0 / (1.0 dist / (max_dist 1e-8)) # 绘图6 步预测每模态一条线温度通道 self.ax.clear() colors [b, r, g, m] for i, (modal_id, pred) in enumerate(all_preds.items()): self.ax.plot(range(1,7), pred[:,0], f{colors[i]}o-, labelf模态{modal_id}(置信{all_confs[modal_id]:.2f})) self.ax.set_xlabel(预测步长) self.ax.set_ylabel(温度(℃)) self.ax.legend() self.canvas.draw() # 在 run_prediction 中添加按钮绑定 self.btn_compare QPushButton(对比所有模态) self.btn_compare.clicked.connect(lambda: self.show_all_modal_predictions(X_input)) left_layout.addWidget(self.btn_compare)提示对比功能不是炫技而是给工程师“后悔药”。当自动识别结果与现场经验冲突时它提供快速验证通道——这是工业 AI 落地的核心信任机制。4. 避坑指南k-means-LSTM 组合预测的 4 个血泪经验4.1 现象k-means 聚类结果每次运行都不一样导致子模型训练不可复现原因k-means 初始化中心是随机的且n_init1默认时极易陷入局部最优更隐蔽的是StandardScaler和PCA的fit过程若在每次训练前重复执行而非用固定参数 transform会导致特征空间漂移。解决显式设置KMeans(n_clustersK, random_state42, n_init10)scaler和pca必须在全部数据上一次性 fit保存为.pkl文件后续预测时只调用transform验证对同一组数据多次运行聚类检查cluster_labels是否完全一致np.array_equal。4.2 现象LSTM 子模型在验证集上 MAE 很低但上线后首步预测误差爆炸原因训练时用了validation_split0.2但该切分是随机的破坏了时序连续性——验证集样本可能来自训练集“未来”导致模型学到未来信息。解决改用时序交叉验证用TimeSeriesSplit确保验证集时间戳严格晚于训练集或更简单按时间顺序切分前 70% 训练、后 15% 验证、最后 15% 测试关键检查打印X_train[-1, -1, 0]训练集最后一个时间点的温度和X_val[0, 0, 0]验证集第一个点确认前者时间戳早于后者。4.3 现象GUI 中点击“执行预测”后界面卡死无响应原因LSTM 预测是 CPU 密集型任务PyQt5 主线程被阻塞更严重的是TensorFlow/Keras 默认使用全局线程池多线程调用时可能死锁。解决将预测逻辑封装进QThread子类在工作线程中执行使用tf.config.threading.set_intra_op_parallelism_threads(1)限制每个模型推理只用 1 线程避免资源争抢线程中通过Signal发送结果到主线程更新 UI而非直接操作控件。4.4 现象多输入信号重采样后某些通道出现大量 NaN切片数量锐减原因原始数据存在长时段缺失如传感器断连 2 小时resample().first()产生整段 NaNinterp1d无法插值。解决预处理增加缺失段检测df.groupby((df.isna().all(axis1)).cumsum()).size()找出最长连续 NaN 段若最长段 30 分钟拒绝该数据源改用备用通道或报错对短时缺失≤10 点用pd.Series.interpolate(methodtime)替代interp1d它能利用时间戳精度插值。5. 预测结果可信度验证用“滚动回溯测试”代替静态指标5.1 为什么 RMSE/MAE 在测试集上好看却无法反映真实性能静态测试集评估有个致命缺陷它假设测试数据是“独立同分布”的快照但工业时序是强相关、非平稳的。一个模型在测试集上 MAE0.3可能只是因为它恰好覆盖了某段平稳期一旦遇到未见过的工况跃变如环境温度骤降误差立刻跳到 2.1。因此必须做滚动回溯测试Rolling Backtest模拟真实部署场景用历史数据逐点推进预测并记录每一步的误差。5.2 滚动回溯测试的实现步骤与关键参数滚动回溯不是简单滑动窗口。它需模拟三个现实约束预测延迟从采集完一个窗口到输出预测需耗时T_delay如 2 秒数据到达节奏新数据点每T_step到达一次如每 2 分钟模型更新周期子模型每周重训一次期间不更新。因此回溯测试需构建“时间对齐器”对每个真实时间点t找出其对应的输入窗口[t-T_window, t]提取特征、识别模态、调用对应模型预测t1到thorizon的值再与真实值比对。def rolling_backtest(models, kmeans, scaler, pca, cluster_centers, df_full: pd.DataFrame, T_window288, # 窗口长度点数 T_step1, # 数据步长点数2分钟1点 horizon6, T_delay0): # 预测延迟点数 执行滚动回溯测试 df_full: 完整时序数据含 timestamp 和 T/P/V 列 返回: DataFrame with columns [timestamp, modal_id, pred_T1, ..., true_T1, ...] # 1. 重采样对齐同 2.1 节 df_aligned align_and_slice_to_df(df_full) # 返回重采样后 DataFrame # 2. 初始化结果容器 results [] # 3. 从第 T_window 点开始滚动确保有足够历史 for i in range(T_window T_delay, len(df_aligned) - horizon): # 当前时间点 t_now df_aligned.index[i] # 构造输入窗口[i-T_window-T_delay, i-T_delay] X_window df_aligned.iloc[i-T_window-T_delay:i-T_delay][[T,P,V]].values X_window X_window.reshape(1, -1, 3) # (1, 288, 3) # 4. 模态识别 feat extract_window_features(X_window) feat_scaled scaler.transform(feat) feat_pca pca.transform(feat_scaled) modal_id kmeans.predict(feat_pca)[0] # 5. 预测 y_pred models[modal_id].predict(X_window)[0] # (6,3) # 6. 获取真实值未来 horizon 步 y_true df_aligned.iloc[i:ihorizon][[T,P,V]].values # 7. 记录结果 row {timestamp: t_now, modal_id: modal_id} for h in range(horizon): for j, var in enumerate([T,P,V]): row[fpred_{var}{h1}] y_pred[h, j] row[ftrue_{var}{h1}] y_true[h, j] results.append(row) return pd.DataFrame(results) # 执行回溯测试示例 backtest_df rolling_backtest( models, kmeans, scaler, pca, kmeans.cluster_centers_, df_fulldf_raw, T_window288, T_step1, horizon6, T_delay0 # 无延迟 ) # 计算滚动 MAE按时间分组每组 1 小时 backtest_df[hour] backtest_df[timestamp].dt.floor(H) hourly_mae backtest_df.groupby(hour).apply( lambda g: np.mean(np.abs(g[[pred_T1,pred_P1,pred_V1]].values - g[[true_T1,true_P1,true_V1]].values)) ) print(每小时首步预测 MAE:) print(hourly_mae.head(10))参数说明T_delay必须根据实际系统设定如数据入库特征计算耗时设为 0 会高估性能df_aligned.index[i]是关键时间戳所有分析必须基于它而非ihourly_mae的计算展示了如何将误差映射回业务时间维度——这才是运维人员真正关心的“今天上午 10 点预测准不准”。5.3 用回溯结果指导模型迭代两个关键诊断图表滚动回溯产生的backtest_df可生成两类决定性图表模态-误差热力图横轴模态 ID纵轴预测步长颜色深浅表示该模态下该步长的平均 MAE。若某模态在第 3 步 MAE 显著高于其他步长说明该模态子模型对中期趋势建模不足需增加 LSTM 层数或调整horizon误差时间序列图绘制backtest_df[timestamp]vs|pred_T1 - true_T1|叠加设备日志标记如“启机”、“负载变化”可直观定位模型失效的具体工况。# 生成模态-误差热力图 import seaborn as sns # 计算每个模态每步的 MAE modal_step_mae [] for modal_id in backtest_df[modal_id].unique(): df_modal backtest_df[backtest_df[modal_id]modal_id] for h in range(1, 7): mae np.mean(np.abs(df_modal[fpred_T{h}] - df_modal[ftrue_T{h}])) modal_step_mae.append({modal: modal_id, step: h, mae: mae}) mae_df pd.DataFrame(modal_step_mae) pivot_df mae_df.pivot(indexmodal, columnsstep, valuesmae) plt.figure(figsize(8,4)) sns.heatmap(pivot_df, annotTrue, cmapYlOrRd, fmt.3f) plt.title(各模态各预测步长 MAE 热力图温度通道) plt.ylabel(模态 ID) plt.xlabel(预测步长) plt.show()我的习惯每次模型迭代后我必跑这个热力图。如果发现模态 2 的第 4 步 MAE 突然升高我会单独提取该模态下所有第 4 步误差 1.0 的样本人工检查其输入窗口——往往能发现这批样本都包含某种未被特征工程捕获的瞬态如 5 分钟内的三次小幅脉冲这直接指导我新增一个“脉冲计数”特征。这种从误差反推特征缺陷的能力是组合模型超越单模型的核心价值。希望帮到你。本文还有配套的精品资源点击获取
