2025五一数模C题LSTM时序预测：论文代码结果闭环复现指南

简介2025年五一数学建模竞赛C题论文代码结果.docx 是围绕“社交媒体用户互动行为预测”的完整参赛成果主要面向数学建模竞赛参赛者、高校指导教师以及正在学习LSTM时序预测模型的读者。资源包仅含1个docx文件大小1.33MB打开即可查看论文、代码片段与预测结果无需额外配置环境目前已有1003人下载学习。文档依据附件1、附件2的用户—博主行为数据依次完成问题1至问题3的建模预测各博主2024年7月21日新增关注数、预测指定用户7月22日的新关注行为以及判断用户是否在线并预估其与博主的互动关系核心方法结合LSTM等预测模型并涵盖数据预处理、特征选择、训练样本构造与模型评估等环节。整体按竞赛题号组织对每道问题均给出关键代码片段、结果表格和建模注意事项便于逐问对照复现。全文档能帮助读者快速理解C题从赛题解读、数据处理到模型训练与结果展示的完整流程也可迁移到其他用户行为分析或推荐场景。1. 2025年五一数学建模竞赛C题这份“论文代码结果”包里最值钱的是闭环备赛时间紧的时候最怕看到“论文写得漂亮、代码一跑就废”的资源。2025年五一数学建模竞赛C题这类时序预测题最后要交的是论文和结果文件很多队伍最后不是输在模型选型上而是输在LSTM预测模型只调好了训练集测试集一换就预测出荒唐曲线。这份资源把论文、代码、结果三样东西对齐了从数据预处理到模型训练再到结果输出每一步都能在论文正文里找到对应描述。适合两类人一类是刚组队想在一周内跑通基线流程的另一类是赛题已经写了大半、但代码和论文对不上需要参考模板的。先声明它不是让你无脑提交的成品而是值得照着复现的完整链路。我拿到这份资源时第一反应是先找结果文件里的数字能不能被脚本复现。很多从网上下到的赛题包里论文是一套数据代码是另一套环境结果表是从第三处粘过来的三者各说各话。这份资源好在把三者的“血缘关系”理清了这也是我愿意花精力逐段拆它的原因。下面按选型、复现、避坑、进阶四个顺序讲清楚。2. 核心模型选型C题里的LSTM为什么比ARIMA和XGBoost更能打2.1 这类赛题的数据长序列、非平稳、周期叠加翻开C题的数据通常是一张按时间排序的表可能是逐小时也可能是逐天的观测记录连续几十到几百行。这类数据极少是平稳白噪声大多数是“趋势项 周期项 随机波动”的叠加体。趋势项决定数据整体走向周期项来自工作日、节假日或季节节律随机波动则是当天意外因素导致的噪声。ARIMA等传统时序方法不是不能用但它对数据平稳性要求高需要先做差分和定阶遇到多周期叠加时定阶就成了玄学AIC/BIC选出来的阶数经常复现不出别人的结果。XGBoost这类树模型能把滞后特征当普通特征用效果很多时候不差但它必须靠人工构造“过去第几天的值”“过去一周均值”等特征特征设计直接决定预测上限。LSTM预测模型则把这层工作交给循环结构自己处理这也是这份资源选择它作为主力模型的原因。我第一次拆这份资源时最先看的是论文里的自相关图和趋势分解图。它把原始序列拆成趋势项和周期项分别展示这一步在正经建模里比调参更重要它决定了你后面选滑动窗口长度的下限。如果周期是7天输入时间步至少覆盖7个点否则模型再深也看不见周期。资源正文里先后对比了线性回归、XGBoost和LSTM在验证集上的误差最终在LSTM上稳定下来这说明它不是拍脑袋定的模型。2.2 滑窗结构与LSTM输入输出的对应关系LSTM本身不接收时间序列它接收的是“一段过去观测”和“一个待预测目标”。你需要把一维序列切成若干个长度为time_steps的窗口。这份资源里的代码把窗口生成单独抽成了一个函数我把它简化为下面这个形式逻辑是一致的import numpy as np def make_sequences(data, time_steps12, future_steps1): X, y [], [] for i in range(len(data) - time_steps - future_steps 1): X.append(data[i:i time_steps]) y.append(data[i time_steps:i time_steps future_steps]) return np.array(X), np.array(y)这段代码做的事情很简单每次从前到后截取time_steps个连续点作为输入再截取随后的future_steps个点作为输出然后窗口整体往后滑动一个点继续截取。以时间步12、预测步1为例原始序列长度为100时可以得到100-12-1188个样本。参数time_steps是“看多久的历史”future_steps是“往后预测多远”。赛题如果要求预测未来三天future_steps就设为3如果要求逐个预测未来7日则一般把future_steps设为1用滚动方式连续预测7次这样每个预测步骤都有真实观测做校准误差不会指数级累积。注意这里的data需要提前转成float数组并处理好缺失值。有一个常见误区是直接在原始列表上用range搜索遇到NaN时窗口里全变成NaN最终训练出来的模型在测试集上输出一堆无意义的中间值。所以窗口生成之前先做一次缺失值插值这一步很重要。如果赛题数据有明显7天周期12步窗口可能只覆盖到1.7个周期切窗函数里time_steps12在数据里可能对应12小时而不是12天务必按时间分辨率换算。我习惯把time_steps设成周期长度的一到两倍比如日粒度数据有周周期time_steps14覆盖两个完整周期小时粒度数据有日周期time_steps48刚好覆盖两天。窗口设得比周期长LSTM才有机会把周期特征编码进隐状态。2.3 评价指标MAE、RMSE、MAPE分别适合什么场景看到这里读者应该能感受到这份资源的代码不是堆在一份脚本里的而是按“预处理、滑动窗口、训练、预测、结果导出”拆开的。在第3章里我会把每一步的关键代码和参数配置拆开讲包括怎么处理归一化、怎么用早停防止过拟合、怎么把预测结果写回docx里的表格格式。之所以会把“评价指标”这一节提前到现在是因为后面章节里会用这套指标来排查错误没定指标的话很多“看起来还行”的预测曲线其实是延时拷贝。提示MAPE在数据存在0值时会出现除零错误RMSE对大误差更敏感适合你想惩罚极端预测的场景赛题如果更关注整体趋势MAE往往比RMSE更稳定。这份资源的论文评价部分同时报了这三个指标属于比较稳妥的做法。指标计算方式适合场景常见坑MAE绝对误差的平均总体平均偏差对个别异常点不敏感RMSE均方根误差避免巨大偏差大误差样本会主导指标MAPE百分比误差平均跨量纲对比真实值为0时除零在写完指标表后建议把测试集的误差按日拆分观察第几个预测步误差变大。如果第4步以后MAPE突然翻倍说明窗口对更远未来没有足够表达能力此时可以试试多步预测的seq2seq而不是继续加LSTM层数。3. 把这条链路完整跑起来环境、代码结构与复现步骤3.1 文件结构论文、代码、结果如何对照这份资源呈现出来像一份“可以直接交的赛题包”docx是论文正文代码部分按流程拆成几个脚本结果部分是一张填好的提交表。我第一次打开时先按文件名映射关系走了一遍论文里的第三章配了模型结构图代码里的模型类跟那张图一一对应论文里的第四张表格是误差对比结果文件里的记录列和它完全一致。这种对应关系在备赛里极其重要因为每年都有队伍答辩时被评委问“这个结果是用哪段代码跑出来的”一问就卡壳。我习惯的做法是拿到这样的包先不跑而是做一个对应清单论文里的每一张表或每一幅图都能定位到生成它的脚本函数和输入数据。这份资源基本能做到这一点这也是我选它作为复现对象的核心原因。第2章提到的滑窗函数对应的就是论文里“数据预处理”那张示意图下面要展示的训练代码对应的是模型参数表。3.2 预处理脚本缺失值、异常值与归一化的先后顺序预处理顺序比方法本身更容易翻车我建议严格按“缺失值插值→异常值截断→归一化”的顺序执行顺序反了会造成信息泄漏。先说缺失值赛题数据偶发空值明显是因为周末或设备停机没有记录简单做法是用前后两个观测点的均值填充如果空值出现成片均值填充会让模型学到一段“假平稳”这时候线性插值或前向填充更靠谱。异常值则用分位数截断例如把超过99%分位数的点拉回到99%分位数避免个别极端值主导LSTM的梯度。归一化是这份资源里做得比较扎实的一步。它没有调用sklearn的StandardScaler直接对全量数据fit而是先按时间顺序切出训练集再用训练集的mean和std去transform验证集和测试集。这样处理的原因是测试集数据代表未来未来不能被用于计算训练阶段的归一化参数否则验证误差会被严重低估。我用代码说明这个细节from sklearn.preprocessing import StandardScaler scaler StandardScaler() train_mean data[:train_len].mean() train_std data[:train_len].std() # 不要用 scaler.fit_transform(data)而是手动对齐 train_norm (data[:train_len] - train_mean) / train_std val_norm (data[train_len:test_start] - train_mean) / train_std test_norm (data[test_start:] - train_mean) / train_std这里的train_len和test_start是根据时间顺序切分的两个边界值。很多新手图省事把全量数据一起归一化训练时loss好看测试时却因为“未来信息已经进入均值”而虚高这种现象在时间序列里就是典型的数据泄漏。这里的关键动作是只让训练段参与计算均值与方差验证段和测试段都沿用训练段的统计量。sklearn的fit_transform会覆盖整段数据所以这里我一般不直接用它而是手动算。3.3 训练脚本模型定义、早停和随机种子模型结构不算复杂一份能稳跑C题的LSTM通常只有两到三层每层神经元64左右。比层数更关键的是dropout和早停。我复现时用PyTorch写的网络类是长这样的TensorFlow版的写法也换汤不换药import torch import torch.nn as nn class LSTMPredictor(nn.Module): def __init__(self, input_size1, hidden_size64, num_layers2, dropout0.2): super().__init__() self.lstm nn.LSTM( input_sizeinput_size, hidden_sizehidden_size, num_layersnum_layers, batch_firstTrue, dropoutdropout ) self.fc nn.Linear(hidden_size, 1) def forward(self, x): out, _ self.lstm(x) return self.fc(out[:, -1, :]) # 取最后时刻的输出代码里forward只取最后一个时间步的隐状态输出对应的是“用过去12/24个点预测下一个点”的做法。参数input_size是每个时间步的特征数如果原始数据里只有一个预测目标列那就是1如果加入了星期几、是否工作日等外部特征这里就要改成对应数量。hidden_size64在大多数赛题数据量级几百到几千个点下是相对稳妥的选择调大不一定有增益调小可能学不到周期特征。dropout只在多层LSTM之间生效单层LSTM里这个参数会被忽略这点值得注意。训练环节还有个必须做否则容易翻车的地方固定随机种子。我在第一次跑这份代码时同样的参数跑了两次结果MAPE差了两个点最后发现是没固定种子。固定后误差基本稳定论文里的表格才敢写出去。一般这样处理import random import numpy as np import torch def set_seed(seed42): random.seed(seed) np.random.seed(seed) torch.manual_seed(seed) if torch.cuda.is_available(): torch.cuda.manual_seed_all(seed)这段代码在脚本第一行调用即可。不要小看这一步赛题论文里的每一个数字都必须能在同一环境里复现否则答辩时一旦现场重跑结果对不上就是事故。3.4 训练循环、早停与模型保存训练循环本身不复杂复杂的是什么时候停。C题的验证集通常是你从历史数据尾部切出来的一段连续区间模拟“未来还没发生”的状态。很多队伍直接训练固定100轮结果验证loss在第40轮就触底后面60轮过拟合到训练集噪声上。这份资源里用了早停机制我复现时保留的核心逻辑如下best_loss float(inf) patience 10 trigger 0 for epoch in range(100): model.train() for xb, yb in train_loader: optimizer.zero_grad() loss criterion(model(xb), yb) loss.backward() optimizer.step() model.eval() val_loss compute_loss(model, val_loader) if val_loss best_loss: best_loss val_loss trigger 0 torch.save(model.state_dict(), best_model.pt) else: trigger 1 if trigger patience: break上面这段代码里patience10表示连续10轮验证loss不下降就停止训练best_model.pt存的是验证集指标最好的那一次权重。我一般的习惯是patience设在15到20因为小数据集的验证loss本身有抖动太小的patience容易在刚起步时误停。保存最优权重而不是最后一轮权重是训练代码里性价比最高的一条习惯。这里有个容易搞错的地方如果你用时间序列预测注意验证集切分必须是连续的尾部区间不能随机抽随机抽会让模型偷看到未来信息误差分析全部失真。3.5 结果导出把预测值写回提交文件的格式预测阶段要做的是把归一化后的输出反归一化回原始量纲然后按题目要求的格式写出预测值。反归一化就是归一化的逆运算用论文里的mean和stdpreds_norm model(test_seq) preds preds_norm * train_std train_mean这里有一个强烈建议不要把预测结果直接打印在控制台里就算完应该写成CSV或Excel文件并在文件名里标注版本号和运行时间。赛期你会频繁改参数没有版本标注的结果文件会在一夜之间变成一团乱麻。这份资源的result文件里就带了一列“模型版本”方便回溯论文表格里的数是哪一次跑出来的。我复现时也建议你保留这个习惯它能在最后核对结果时救你一命。4. 复现避坑排查数据泄漏、归一化方向和结果对不上的四个案例这一章放在第3章后面是有原因的只有你亲手跑过一遍后下面的问题才会真实触发。我按自己踩坑的顺序列了四条每条都聚焦在C题结果文件最容易出问题的地方。4.1 训练loss低到0.01测试MAPE却超过30%现象训练集loss稳定在0.01附近验证集却走出一条离谱的曲线MAPE超过30%无论怎么调学习率都不改善。原因这是我在拆包时遇到的第一个坑问题出在窗口生成和归一化的顺序上。先从代码角度回顾如果先对全量数据做归一化再按时间顺序切窗口那么验证集和测试集的均值/方差已经“见过”整段数据训练集信息被间接泄漏到测试阶段模型在训练集上拟合得很好在测试集上却一塌糊涂。第二个常见原因是切分窗口时用了随机拆分这在分类任务中没问题但在时间序列里等于把未来的点混进了训练集等于开卷考试。解决强制按时间顺序切分归一化参数只用训练段计算。我自己的验证方式是把训练段、验证段、测试段分别画出分布如果验证段的均值和训练段差太多说明分布漂移此时不要急着调LSTM先检查是否包含节假日或异常时间段。单纯调模型参数救不了分布漂移先确认数据对齐才是正路。4.2 预测曲线整体滞后了一个周期现象预测曲线和真实曲线形状几乎一致但整体向右平移了一天滞后一天看起来是“抄昨天的作业”。误差指标不算太差但评委一眼就能看出来。原因这是LSTM做时间序列预测最经典的翻车现场。当序列自相关很强且时间步较短时模型发现最简单的做法是“把上一时刻的值复制到下一时刻”训练loss并不高预测曲线却没有任何前瞻性。我在这份资源的结果里也看到过类似的影子后来把输入时间步从7调到了14情况才改善。出现这种滞后另一个重要原因是目标值没有做差分直接预测原始值模型倾向于学均值回归。解决有两个方向。第一把预测目标改成差分值或对数差分值。第二把时间步拉长到覆盖至少一个完整周期并在特征中加入“星期几”“是否节假日”等周期标记。我一般会用Pearson相关系数检查预测值与真实值之间是否存在一阶滞后相关如果corr(pred, truth.shift(-1))明显高于corr(pred, truth)基本可以断定模型在复制输入。4.3 代码跑出来的结果和论文表格对不上现象照着论文的方法描述和代码重新跑了一遍得到的误差和论文表格里的数字差得较多怀疑文件是不是给错了。原因这个坑很大概率出在“论文结果来自另一组参数”。赛题资源里论文写完截图后代码继续调参的情况很常见最后提交的资源里论文与代码不同步。我在复现这份资源时也遇到了类似情况论文表格里的MAPE对应的是epoch60的结果而代码里的早停逻辑跑到第35轮就停了导致数字对不上。解决以代码实际输出为准不要反向修改代码去凑论文数字。拿到资源后先固定随机种子完整跑一遍记录每个对比方法的误差再回头对照论文表格。如果对不上优先去论文里找“参数设置”那一节看是否描述了batch_size、学习率和epoch。找到后把这些参数在代码里显式设置再跑一次。多数情况下对不上是因为epoch或学习率默认值不同而不是代码有严重bug。4.4 预测结果出现负值或超过历史量纲现象明明历史数据都是正的预测结果里却出现负值或远超历史最大值。原因一个常见错误是在输出层加了ReLU激活函数导致部分时间步的神经元被置零预测曲线出现削底。另一个原因是最后一个训练窗口里有一段异常下降模型学到负趋势外推时数值冲出量纲边界。解决输出层不要加ReLU用Linear即可如果是量纲问题检查最后一个时间窗口是否包含异常段把异常段清洗或剔除后重训。这类问题在实际比赛中经常被忽略因为训练集误差很低时很少有人去检查预测列的最小值是不是负数。这四个坑在C题里尤其容易被放大因为C题提交的核心就是一份结果表误差高一点点排名就会差出一截。结合我自己的经验这类问题不是模型理论不够而是工程链路不够干净。踩坑之后再做一次全流程记录反而能快速沉淀出一套可复用的策略。5. 进阶验证用“基线残差”结构给LSTM结果兜底复现整套流程之后如果你还想让论文的预测结果更有说服力我建议做一个“残差基线”验证。做法很简单先用最朴素的指数平滑或移动平均得到一组基线预测再用LSTM去预测“真实值减去基线值”得到的残差序列最终预测值等于基线预测加残差预测。我在检视这份资源的预测效果时发现一个有意思的现象LSTM对趋势的拟合能力确实强于基线但它对突变的响应总是慢半拍。把这部分滞后放到残差里用基线去承担趋势分量LSTM只负责修正残差模型表现会稳定不少。而且这个结构在赛题答辩里特别好解释评委问“你的模型和简单模型比到底强在哪”你可以直接贴出基线残差对比表。残差基线的实现只需要在现有代码里加一小段逻辑from statsmodels.tsa.holtwinters import SimpleExpSmoothing def baseline_fit(train_series): model SimpleExpSmoothing(train_series).fit(smoothing_level0.3) return model def residual_predict(model, X, baseline_pred, lstm_model): residual_series X - baseline_pred residual_pred lstm_model(residual_series) return baseline_pred residual_pred这个结构也要求你在评估里同时跑纯LSTM和基线残差两种方案把它们的MAE和MAPE放在同一张表里对比论文的说服力会明显不同。对C题这种以结果文件为核心的竞赛能解释的模型很多时候比黑匣子模型更占优势。从那以后我每次拿到一套LSTM时序预测代码都会先跑一遍这个三行的基线残差逻辑确认LSTM不是在用复杂度换运气。希望帮到你。本文还有配套的精品资源点击获取