一、软件优点
- 多模型融合预测
提供 LSTM、GRU、混合模型（CNN+LSTM+GRU+Attention）三种策略，覆盖不同时序特征提取能力，提升预测鲁棒性。 - 数据驱动与特征工程
- 自动获取官方数据并预处理，包含时间特征（年 / 月 / 日 / 星期）、统计特征（滚动均值 / 标准差）、组合特征（和值 / 奇偶计数 / 质数值）及滞后特征，增强数据表征能力。
- 标准化处理（MinMaxScaler）确保模型收敛效率。
- 可视化与可解释性
- 统计分析模块直观展示红球 / 蓝球历史及近期高频号码分布，支持图表可视化（柱状图）。
- 预测结果包含模型参数、网络结构说明，提升透明度。
- 工程化设计
- 使用 PyQt5 构建 GUI，支持多线程操作（数据获取、模型训练独立线程），避免界面卡顿。
- 集成异常处理机制（网络检测、文件存在性检查），提升稳定性。
- 可配置性与灵活性
- 支持调整训练集比例（50%-95%）、训练轮次（50-1000）、批量大小（16-128）、回溯期数（5-30），适应不同数据规模与训练需求。
二、使用的算法与模型1. 基础算法
- 时间序列处理：
- 滑动窗口（lookback参数）生成序列数据，用于捕捉历史期数的依赖关系。
- 标准化（MinMaxScaler）：将特征缩放到 [0,1] 区间，提升神经网络训练效率。
- 统计分析：
- 频率统计：计算红球 / 蓝球出现概率，提取历史及近期高频 TOP10 号码。
- 质数判断（is_prime函数）：用于组合特征中的质数计数。
2. 神经网络模型
模型类型 | 架构描述 | 核心组件与技术 |
LSTM 模型 | LSTM (512)→双向 LSTM (256)→LSTM (128)→Dense (128/64/7) | LSTM 层、Dropout 正则化、L2 正则化 |
GRU 模型 | 双向 GRU (256)→GRU (128)→GRU (64)→Dense (64/32/7) | 双向 GRU 层、BatchNormalization |
混合模型 | Conv1D→MaxPooling1D→双向 LSTM→GRU→Attention→Dense (128/64/7) | 一维卷积（特征提取）、注意力机制 |
3. 关键技术
- 注意力机制（AttentionLayer）：在混合模型中用于加权时序特征，聚焦关键历史期数。
- 正则化与优化：
- L2 正则化抑制过拟合，Dropout 随机失活神经元增强泛化能力。
- Adam 优化器动态调整学习率，损失函数为均方误差（MSE），评价指标为平均绝对误差（MAE）。
- 回调函数：
- 早停法（EarlyStopping）防止过拟合，模型检查点（ModelCheckpoint）保存最优权重。
三、软件特点- 全流程自动化
- 数据获取→预处理→特征工程→模型训练→预测→可视化全链路自动化，无需人工干预。
- 多维度分析
- 结合传统统计分析（高频号码）与深度学习（时序特征），提供 “数据统计 + 模型预测” 双重视角。
- 工程化部署支持
- resource_path函数解决打包后资源路径问题，支持 PyInstaller 等工具打包为独立应用程序。
- 用户体验优化
- 进度条实时反馈数据获取与训练状态，状态提示清晰（状态栏、文本框日志）。
- 界面模块化设计（标签页分离预测与统计功能），操作逻辑简洁。
- 可扩展性
- 模型架构通过类方法封装（如create_lstm_model），易于扩展新网络结构或替换组件。
下载：https://www.123865.com/s/tMQnTd-razsH
https://pan.baidu.com/s/1lW6FseKnHWnwFC-GdFUf4A?pwd=9diz
软件来源 52pojie
