简介这份资源是一篇面向计算机相关专业学生与数据分析学习者的完整论文文档围绕Python地铁客流数据分析与预测系统的设计与实现展开适合作为毕业设计、课程设计或机器学习入门项目的参考方案。文档聚焦杭州、深圳等城市地铁短时客流预测问题涵盖数据预处理、HDFS数据加载、Spark数据分析、Spark MLlib预测建模、pyeharts可视化以及后端管理等模块并给出管理员与用户两端的功能划分如出行高峰时段、限流站点、客流趋势预测等具体设计。资源包共1个docx文件约4.99MB内容为完整论文正文包含摘要、系统架构与技术选型说明便于读者理解Hadoop、Spark、MySQL与动态Web应用的整合思路。目前已有671人学习下载适合需要参考选题结构、算法模型与可视化实现路径的读者研读借鉴。1. 从一份 docx 标题说起地铁客流数据到底能预测什么早晚高峰挤过地铁的人都懂那种感觉站台上人贴人广播一遍遍喊请往车厢中部走可你根本挪不动。对地铁运营方来说这不是体验问题而是安全问题——客流一旦超过站台承载能力踩踏风险陡增。所以python地铁客流数据分析与预测系统这个标题背后真正要解决的是用历史刷卡数据提前知道明天早高峰某个站会来多少人好决定要不要加开列车、要不要启动限流。这份 docx 标题里藏着三个层次数据分析看清过去、预测建模推算未来、系统实现把模型变成能用的工具。适合谁看做课程设计的学生、刚转行做数据分析的工程师、以及想给运营部门做一套客流看板的开发者。它不需要你有多深的机器学习功底但需要你会 python 基础语法、能装环境、愿意跟数据死磕。接下来我按数据怎么来→怎么分析→怎么预测→怎么变成系统→坑在哪这条线把整套方案拆开讲清楚。2. 数据从哪来、长什么样地铁 AFC 数据的清洗与特征工程2.1 先搞清楚 AFC 数据的三张核心表地铁自动售检票系统AFC产生的原始数据通常不是一张大宽表而是拆成几张关联表。常见做法是拿到三张进站刷卡记录、出站刷卡记录、站点基础信息。进站表一般包含卡号、进站时间、进站站点编号出站表包含卡号、出站时间、出站站点编号站点表包含站点编号、站点名称、所属线路、是否换乘站。这里第一个容易翻车的地方是进站和出站是两条独立记录靠卡号关联。但现实中存在只进不出比如卡丢了、或者当天没出站和只出不进比如用了单程票但进站记录丢失的情况。如果你直接按卡号 inner join会丢掉大量记录导致客流被低估。我一般会先统计进出站记录数差异差异超过 5% 就要警惕数据质量问题。import pandas as pd # 读取原始数据注意编码地铁数据常见 gbk 或 utf-8 entry pd.read_csv(entry_records.csv, encodinggbk) exit_ pd.read_csv(exit_records.csv, encodinggbk) stations pd.read_csv(stations.csv, encodinggbk) # 先看数据规模和缺失情况别急着合并 print(进站记录数:, len(entry)) print(出站记录数:, len(exit_)) print(进站缺失值:\n, entry.isnull().sum()) print(出站缺失值:\n, exit_.isnull().sum()) # 统一时间格式这一步不做后面全乱 entry[进站时间] pd.to_datetime(entry[进站时间], errorscoerce) exit_[出站时间] pd.to_datetime(exit_[出站时间], errorscoerce) # 统计只进不出的比例 entry_cards set(entry[卡号]) exit_cards set(exit_[卡号]) only_entry entry_cards - exit_cards print(只进不出卡数占比: {:.2%}.format(len(only_entry) / len(entry_cards)))这段代码的逻辑是先摸清数据底数再统一时间类型最后量化数据质量问题。参数上errorscoerce会把无法解析的时间变成 NaT方便后续统计如果你发现缺失率超过 10%就要考虑是不是导出时字段错位了。站点表要单独校验确认每个站点编号都能在进站表里找到对应否则会出现幽灵站点。2.2 客流统计的粒度选择15 分钟还是 1 小时做客流预测时间粒度直接决定模型难度和实用性。粒度太粗比如按天预测出来只能用于宏观规划没法指导早高峰加车粒度太细比如按 1 分钟数据噪声大、模型难收敛而且运营调度也来不及响应。我一般选 15 分钟作为基础粒度既能捕捉早高峰的爬坡过程又不会太碎。统计口径上进站客流按进站时间归入对应时段出站客流按出站时间归入。但要注意出站客流反映的是列车到达后的疏散压力和进站客流不是一回事。做站台限流预测应该用进站客流做车厢拥挤度预测才需要结合出站和换乘数据。很多论文把这两个混在一起结果模型学出来的东西没法用。# 按 15 分钟粒度统计进站客流 entry[时段] entry[进站时间].dt.floor(15min) flow_15min entry.groupby([进站站点编号, 时段]).size().reset_index(name进站人数) # 补全缺失时段有些站点某些时段没人进站但那是 0 不是缺失 all_slots pd.date_range( startentry[进站时间].min().floor(15min), endentry[进站时间].max().floor(15min), freq15min ) station_ids stations[站点编号].unique() full_index pd.MultiIndex.from_product([station_ids, all_slots], names[进站站点编号, 时段]) flow_full flow_15min.set_index([进站站点编号, 时段]).reindex(full_index, fill_value0).reset_index() # 加上时间特征供后面建模用 flow_full[小时] flow_full[时段].dt.hour flow_full[分钟] flow_full[时段].dt.minute flow_full[星期] flow_full[时段].dt.dayofweek flow_full[是否周末] (flow_full[星期] 5).astype(int)这里的关键操作是reindex补全。如果不补模型会以为没有记录等于没有客流但实际上只是那个时段没人刷卡。补全后数据量会变大但这是必须的。时间特征里是否周末是最基础的后面还可以加是否节假日是否调休工作日这些对预测精度影响很大。2.3 特征工程把时间、站点、天气都变成模型能吃的数原始数据只有站点编号和时间直接喂给模型效果很差。需要构造几类特征时间类小时、分钟、星期、是否高峰、站点类是否换乘站、所属线路数、历史平均客流、外部类天气、节假日。其中历史平均客流是最强的特征之一但构造时要小心数据泄漏——不能用未来数据算历史均值。我一般用前 7 天同一时段均值作为历史特征计算时严格按时间顺序滚动。天气数据如果拿不到可以先用是否下雨这种二值特征代替从公开气象接口按天抓取即可。注意天气对地面交通影响大对地铁影响相对小但暴雨天进站客流会明显下降这个特征值得加。# 构造前 7 天同一时段均值特征严格避免数据泄漏 flow_full flow_full.sort_values([进站站点编号, 时段]) flow_full[前7天同时段均值] ( flow_full.groupby([进站站点编号, 小时, 分钟])[进站人数] .transform(lambda x: x.shift(1).rolling(7, min_periods1).mean()) ) # 标记早晚高峰7-9 点、17-19 点 flow_full[是否早高峰] ((flow_full[小时] 7) (flow_full[小时] 9)).astype(int) flow_full[是否晚高峰] ((flow_full[小时] 17) (flow_full[小时] 19)).astype(int) # 合并站点属性 flow_full flow_full.merge(stations[[站点编号, 是否换乘站, 线路数]], left_on进站站点编号, right_on站点编号, howleft)shift(1)是防泄漏的核心它保证计算当前时段特征时用的是之前的数据。rolling(7)表示取 7 个历史点求均值。如果你用expanding或者不 shift模型在训练集上表现会好得离谱一到测试集就崩这就是典型的后悔药没处买。3. 用 python 做客流分析从可视化到异常检测3.1 三行代码画出站点客流热力图分析阶段最直观的产出是热力图横轴是时间纵轴是站点颜色深浅代表客流大小。这样一眼就能看出哪些站点是客流大户哪些时段是压力峰值。用 matplotlib 或 seaborn 都能画但要注意中文字体问题否则标题全是方框。import matplotlib.pyplot as plt import seaborn as sns # 设置中文字体Windows 用 SimHeiMac 用 Arial Unicode MS plt.rcParams[font.sans-serif] [SimHei] plt.rcParams[axes.unicode_minus] False # 取某一天的数据画热力图 one_day flow_full[flow_full[时段].dt.date pd.Timestamp(2024-03-15).date()] pivot one_day.pivot_table(index进站站点编号, columns小时, values进站人数, aggfuncsum) plt.figure(figsize(14, 8)) sns.heatmap(pivot, cmapYlOrRd, linewidths0.5) plt.title(各站点分时客流热力图) plt.xlabel(小时) plt.ylabel(站点编号) plt.tight_layout() plt.savefig(heatmap.png, dpi150)这段代码里pivot_table把长表转成宽表aggfuncsum表示同一站点同一小时的多条记录求和。热力图适合快速定位问题站点但如果你要对比不同天的差异最好用折线图叠加。注意dpi150保证导出图片清晰论文里能用。3.2 异常检测哪些站点的客流不对劲客流数据里常有异常某站点突然客流暴涨可能是附近有大型活动或者连续几天客流骤降可能是站点施工封闭。这些异常如果不处理会带偏预测模型。我一般用 3σ 原则做初筛再用孤立森林Isolation Forest做精细检测。3σ 原则简单但有效计算每个站点历史客流的均值和标准差超出均值 ±3 倍标准差的点标记为异常。缺点是假设数据服从正态分布而客流数据明显不是。所以我会先用它粗筛再用孤立森林对残差做二次检测。from sklearn.ensemble import IsolationForest import numpy as np # 按站点分组计算 z-score flow_full[z_score] flow_full.groupby(进站站点编号)[进站人数].transform( lambda x: (x - x.mean()) / (x.std() 1e-6) ) flow_full[粗筛异常] (flow_full[z_score].abs() 3).astype(int) # 孤立森林做精细检测contamination 设为预估异常比例 features flow_full[[进站人数, 前7天同时段均值, 小时, 是否周末]].fillna(0) iso IsolationForest(contamination0.02, random_state42) flow_full[精细异常] iso.fit_predict(features) flow_full[精细异常] (flow_full[精细异常] -1).astype(int) # 两种方法都标记为异常的才认为是真异常 flow_full[最终异常] flow_full[粗筛异常] flow_full[精细异常] print(检测到异常记录数:, flow_full[最终异常].sum())contamination0.02表示预估 2% 的数据是异常这个值要根据实际数据调整。如果设太大正常波动会被误判设太小真异常会漏掉。我一般先看粗筛结果如果粗筛比例就在 2% 左右那 contamination 就设 2%。孤立森林的random_state固定后结果可复现论文里要写清楚。3.3 客流分布分析早高峰到底有多尖做预测之前得先知道客流分布的形态。早高峰不是均匀的它有一个明显的爬坡和回落过程。我一般会算两个指标峰值因子峰值客流/全天均值和高峰小时系数高峰小时客流/全天客流。这两个指标能告诉你这个站点的客流是尖峰型还是平缓型。尖峰型站点比如 CBD 附近的换乘站对预测精度要求更高因为一旦预测偏低站台瞬间就满了。平缓型站点比如郊区终点站预测误差容忍度大一些。分析阶段把站点分个类后面建模时可以针对不同类型用不同策略。# 计算每个站点的峰值因子和高峰小时系数 daily_stats flow_full.groupby([进站站点编号, flow_full[时段].dt.date]).agg( 全天客流(进站人数, sum), 峰值客流(进站人数, max) ).reset_index() daily_stats[峰值因子] daily_stats[峰值客流] / (daily_stats[全天客流] / 96 1e-6) # 高峰小时系数早高峰 7-9 点客流占全天比例 peak_hours flow_full[flow_full[是否早高峰] 1].groupby( [进站站点编号, flow_full[时段].dt.date] )[进站人数].sum().reset_index(name早高峰客流) daily_stats daily_stats.merge(peak_hours, on[进站站点编号, 时段], howleft) daily_stats[高峰小时系数] daily_stats[早高峰客流] / (daily_stats[全天客流] 1e-6) # 按峰值因子分类 daily_stats[站点类型] pd.cut( daily_stats[峰值因子], bins[0, 3, 6, np.inf], labels[平缓型, 中等型, 尖峰型] ) print(daily_stats.groupby(站点类型)[进站站点编号].nunique())96 是一天 15 分钟粒度的时段数24×4。峰值因子越大说明客流越集中。分类阈值 3 和 6 是我根据经验定的你可以根据实际数据分布调整。这一步的产出是站点标签后面建模时可以把它作为特征也可以用来分群建模。4. 预测模型怎么选、怎么训从 ARIMA 到 LSTM 的落地对比4.1 基线模型先跑通 ARIMA 再谈深度学习很多人一上来就上 LSTM结果数据量不够、调参调到崩溃最后效果还不如一个简单的移动平均。我的建议是先跑通 ARIMA 或季节性 ARIMASARIMA作为基线再尝试复杂模型。基线模型的好处是训练快、可解释、不容易过拟合而且能帮你判断数据里到底有多少可预测的信号。ARIMA 的三个参数 (p, d, q) 分别对应自回归阶数、差分阶数、移动平均阶数。客流数据通常有日周期和周周期所以要用 SARIMA加上季节性参数 (P, D, Q, s)其中 s96一天 96 个 15 分钟时段。参数确定可以用 ACF/PACF 图初判再用 AIC 准则网格搜索。from statsmodels.tsa.statespace.sarimax import SARIMAX import warnings warnings.filterwarnings(ignore) # 取单个站点的客流序列 station_id S001 ts flow_full[flow_full[进站站点编号] station_id].set_index(时段)[进站人数].asfreq(15min).fillna(0) # 划分训练集和测试集按时间切分不能随机切 train_size int(len(ts) * 0.8) train, test ts[:train_size], ts[train_size:] # 训练 SARIMA 模型参数先用经验值 model SARIMAX( train, order(1, 1, 1), seasonal_order(1, 1, 1, 96), enforce_stationarityFalse, enforce_invertibilityFalse ) result model.fit(dispFalse) # 预测测试集长度 forecast result.forecast(stepslen(test)) print(预测前 10 个值:, forecast[:10].values)order(1,1,1)是最简配置seasonal_order(1,1,1,96)表示日周期。enforce_stationarityFalse在数据不够平稳时能避免报错。SARIMA 的缺点是训练慢96 的季节周期会让计算量很大如果数据超过一个月建议先聚合到 1 小时粒度再跑。4.2 LSTM 建模数据窗口怎么切、网络怎么搭LSTM 适合捕捉长序列依赖但前提是数据量够。我一般要求单个站点至少有 3 个月的历史数据否则 LSTM 很容易过拟合。数据窗口的切法很关键用过去 N 个时段预测下一个时段N 一般取 96一天或 192两天。窗口太小模型学不到日周期窗口太大训练慢且容易梯度消失。网络结构上两层 LSTM 加一层全连接就够了。第一层 LSTM 返回序列第二层 LSTM 只返回最后一个时间步的输出然后接全连接层输出预测值。Dropout 设 0.2 防止过拟合优化器用 Adam学习率 0.001。import torch import torch.nn as nn from torch.utils.data import DataLoader, TensorDataset # 构造滑动窗口数据集 def create_sequences(data, window96): X, y [], [] for i in range(len(data) - window): X.append(data[i:iwindow]) y.append(data[iwindow]) return np.array(X), np.array(y) # 归一化用训练集的均值和方差 mean, std train.mean(), train.std() train_norm (train - mean) / (std 1e-6) test_norm (test - mean) / (std 1e-6) window 96 X_train, y_train create_sequences(train_norm.values, window) X_test, y_test create_sequences(test_norm.values, window) # 转成 tensor X_train_t torch.FloatTensor(X_train).unsqueeze(-1) y_train_t torch.FloatTensor(y_train) X_test_t torch.FloatTensor(X_test).unsqueeze(-1) y_test_t torch.FloatTensor(y_test) # 定义 LSTM 模型 class FlowLSTM(nn.Module): def __init__(self, input_size1, hidden_size64, num_layers2): super().__init__() self.lstm nn.LSTM(input_size, hidden_size, num_layers, batch_firstTrue, dropout0.2) self.fc nn.Linear(hidden_size, 1) def forward(self, x): out, _ self.lstm(x) out self.fc(out[:, -1, :]) # 只取最后一个时间步 return out.squeeze() model FlowLSTM() criterion nn.MSELoss() optimizer torch.optim.Adam(model.parameters(), lr0.001) # 训练循环 dataset TensorDataset(X_train_t, y_train_t) loader DataLoader(dataset, batch_size64, shuffleTrue) for epoch in range(50): model.train() total_loss 0 for batch_x, batch_y in loader: optimizer.zero_grad() pred model(batch_x) loss criterion(pred, batch_y) loss.backward() optimizer.step() total_loss loss.item() if (epoch 1) % 10 0: print(fEpoch {epoch1}, Loss: {total_loss/len(loader):.4f})unsqueeze(-1)是把一维序列变成 (样本数, 时间步, 特征数) 的三维张量LSTM 要求这个形状。out[:, -1, :]取最后一个时间步的输出因为我们要预测的是下一个时刻的值。训练 50 轮是经验值如果 loss 还在降可以继续但要注意验证集是否过拟合。4.3 模型评估MAE、RMSE 和高峰时段误差评估指标不能只看整体 MAE因为高峰时段的误差代价远大于平峰时段。我一般会分开算整体 MAE、高峰时段 MAE、平峰时段 MAE。如果高峰 MAE 是平峰的 3 倍以上说明模型在关键场景下不可靠需要针对性优化。from sklearn.metrics import mean_absolute_error, mean_squared_error model.eval() with torch.no_grad(): pred_test model(X_test_t).numpy() # 反归一化 pred_test pred_test * std mean y_test_real y_test * std mean # 整体指标 mae mean_absolute_error(y_test_real, pred_test) rmse np.sqrt(mean_squared_error(y_test_real, pred_test)) print(f整体 MAE: {mae:.2f}, RMSE: {rmse:.2f}) # 分时段指标 test_hours test.index[window:].hour peak_mask ((test_hours 7) (test_hours 9)) | ((test_hours 17) (test_hours 19)) print(f高峰 MAE: {mean_absolute_error(y_test_real[peak_mask], pred_test[peak_mask]):.2f}) print(f平峰 MAE: {mean_absolute_error(y_test_real[~peak_mask], pred_test[~peak_mask]):.2f})反归一化这一步容易忘忘了的话指标会小得离谱但那是假的。test.index[window:]是因为前 window 个点被用作输入没有对应的预测目标。分时段评估能暴露模型短板如果高峰 MAE 太大可以考虑对高峰时段单独建模或者给高峰样本更高权重。5. 从模型到系统Flask 接口、前端看板和部署踩坑5.1 用 Flask 把模型包成预测接口模型训练完只是半成品要变成系统得有个接口。Flask 轻量、上手快适合做课程设计级别的系统。核心逻辑是接收站点编号和预测时间范围返回预测客流值。模型在服务启动时加载一次不要每次请求都重新加载否则响应慢得没法用。from flask import Flask, request, jsonify import joblib app Flask(__name__) # 启动时加载模型和归一化参数 model FlowLSTM() model.load_state_dict(torch.load(lstm_model.pth)) model.eval() scaler_mean, scaler_std joblib.load(scaler.pkl) app.route(/predict, methods[POST]) def predict(): data request.json station_id data.get(station_id) recent_flow data.get(recent_flow) # 过去 96 个时段客流 if len(recent_flow) ! 96: return jsonify({error: 需要 96 个历史数据点}), 400 # 归一化并预测 x (np.array(recent_flow) - scaler_mean) / (scaler_std 1e-6) x_tensor torch.FloatTensor(x).unsqueeze(0).unsqueeze(-1) with torch.no_grad(): pred model(x_tensor).item() pred_real pred * scaler_std scaler_mean return jsonify({station_id: station_id, predicted_flow: round(pred_real, 2)}) if __name__ __main__: app.run(host0.0.0.0, port5000, debugFalse)debugFalse在生产环境必须设否则会暴露源码。host0.0.0.0允许外部访问如果只在本机测试可以改成127.0.0.1。接口返回前把预测值反归一化保证前端拿到的是真实客流数。5.2 前端看板用 ECharts 画预测曲线前端不需要太复杂一个折线图加一个站点选择框就够了。ECharts 是国内用得最多的可视化库文档全、例子多。核心是把后端返回的预测值和历史值拼在一起用不同颜色区分。// 假设后端返回 { history: [...], prediction: [...] } fetch(/predict, { method: POST, headers: {Content-Type: application/json}, body: JSON.stringify({station_id: S001, recent_flow: recentFlow}) }) .then(res res.json()) .then(data { const chart echarts.init(document.getElementById(chart)); chart.setOption({ title: {text: 站点客流预测}, xAxis: {type: category, data: timeLabels}, yAxis: {type: value, name: 客流量}, series: [ {name: 历史客流, type: line, data: data.history, smooth: true}, {name: 预测客流, type: line, data: data.prediction, lineStyle: {type: dashed}, smooth: true} ] }); });预测曲线用虚线和历史曲线区分开。smooth: true让曲线更平滑但会掩盖真实波动如果要做精确分析可以关掉。前端部署时注意跨域问题Flask 端加CORS支持或者用 Nginx 做反向代理。5.3 部署时最容易忽略的三件事第一模型文件路径。开发时用相对路径没问题部署到服务器后工作目录变了torch.load(lstm_model.pth)会找不到文件。我一般用os.path.dirname(os.path.abspath(__file__))拼绝对路径。第二依赖版本。requirements.txt里要锁版本尤其是 torch 和 numpy不同版本 API 可能不兼容。我踩过一次坑服务器上 numpy 版本太低np.float报错排查了半天。第三并发性能。Flask 默认单线程多个请求同时进来会排队。如果只是课程设计演示够用如果要给多人用得上 gunicorn 加多 worker。但注意LSTM 模型不是线程安全的多 worker 时每个进程要独立加载模型内存占用会翻倍。6. 避坑指南地铁客流预测里那些血泪教训6.1 数据泄漏模型在训练集上作弊现象训练集 MAE 只有 2测试集 MAE 飙到 50差距大得离谱。原因构造特征时用了未来数据。最常见的是算历史均值时没 shift把当前时刻的值也算进去了或者归一化时用了全量数据的均值和方差而不是只用训练集。解决所有滚动统计必须shift(1)归一化参数只能从训练集计算然后应用到测试集。检查方法是把训练集和测试集的评估指标都打印出来如果差距超过 30%基本可以确定有泄漏。6.2 时间粒度选错15 分钟太碎1 小时太粗现象按 15 分钟建模预测曲线全是锯齿模型学不到规律按 1 小时建模早高峰的爬坡过程被抹平预测值总是偏低。原因粒度选择没有结合业务需求。15 分钟粒度下单个站点的客流量可能只有个位数噪声占比大1 小时粒度又太粗无法反映高峰的快速变化。解决先做粒度对比实验分别用 15 分钟、30 分钟、1 小时建模看哪个粒度的预测误差最小且业务上可用。我一般选 15 分钟但对客流量小的站点会聚合到 30 分钟。6.3 忽略节假日和调休模型在特殊日期集体翻车现象工作日预测很准一到节假日或调休工作日预测值偏差巨大。原因训练数据里节假日样本太少模型没学到节假日的模式。调休工作日更麻烦它表面是工作日实际客流像周末。解决把是否节假日是否调休作为特征加进去节假日样本少的话可以做数据增强比如把多个节假日的数据对齐后平均。如果某个节假日完全没数据那就只能人工规则兜底。6.4 模型过拟合LSTM 参数越多越容易背答案现象LSTM 在训练集上 loss 降到 0.001测试集 loss 一直在 0.1 以上。原因模型太复杂数据量不够。LSTM 的参数量很容易到几十万而单个站点的训练样本可能只有几千条。解决减小 hidden_size从 128 降到 64 甚至 32增加 Dropout从 0.2 提到 0.4加 L2 正则化。如果还不行就退回 SARIMA 或 XGBoost别跟 LSTM 死磕。6.5 部署后预测值不变模型加载了但没切换 eval 模式现象接口每次返回的预测值都一样不管输入什么。原因PyTorch 模型加载后默认是 train 模式Dropout 层还在随机丢弃神经元导致输出不稳定。更隐蔽的情况是模型加载了但权重没加载成功用的是随机初始化的权重。解决加载后必须调model.eval()加载权重时用strictTrue检查键是否完全匹配不匹配会报错。如果用了 BatchNormeval 模式也会改变行为必须切换。7. 进阶技巧用注意力机制提升高峰预测精度基础 LSTM 对所有时间步一视同仁但预测早高峰时显然前一天的早高峰数据比凌晨 3 点的数据更重要。注意力机制就是让模型自己学会该看哪里。我试过在 LSTM 后面加一层注意力高峰 MAE 能降 15% 左右。实现上用 PyTorch 的MultiheadAttention或者自己写一个简单的加性注意力。核心是LSTM 输出所有时间步的隐藏状态注意力层计算每个时间步的权重然后加权求和作为最终表示。class AttentionLSTM(nn.Module): def __init__(self, input_size1, hidden_size64, num_layers2): super().__init__() self.lstm nn.LSTM(input_size, hidden_size, num_layers, batch_firstTrue, dropout0.2) self.attention nn.Sequential( nn.Linear(hidden_size, 32), nn.Tanh(), nn.Linear(32, 1) ) self.fc nn.Linear(hidden_size, 1) def forward(self, x): lstm_out, _ self.lstm(x) # (batch, seq_len, hidden) attn_weights torch.softmax(self.attention(lstm_out), dim1) # (batch, seq_len, 1) context torch.sum(attn_weights * lstm_out, dim1) # 加权求和 return self.fc(context).squeeze()attention是一个两层全连接输出每个时间步的分数softmax 归一化成权重。context是加权后的表示它更关注重要的时间步。训练时可以把注意力权重可视化出来看看模型到底在关注哪些时段——如果它关注的是凌晨低峰时段说明模型没学好需要检查数据或调整窗口。验证注意力是否有效不能只看整体 MAE要看高峰 MAE 是否下降。如果整体 MAE 降了但高峰 MAE 没降说明注意力被平峰样本带偏了可以给高峰样本更高权重或者对高峰单独建模。最后说个习惯我每次做完一个客流预测项目都会把预测值 vs 实际值的散点图画出来按站点、按时段分别看。如果某个站点的点全在对角线下方说明模型系统性低估得查查是不是那个站点有特殊事件没被特征捕捉到。这个习惯帮我发现过好几次数据问题比只看 MAE 有用得多。希望帮到你。本文还有配套的精品资源点击获取