本文纯技术学习，不鼓励任何形式的赌博。彩票开奖是独立随机事件，任何模型都无法预测。

写在前面

你有没有过这种冲动：把历年双色球数据喂给神经网络，让AI告诉你下期开什么？

我试过了。结果惨不忍睹。

但正是这次“失败”的实战，让我彻底搞懂了时间序列预测的边界——什么时候该用LSTM，什么时候纯粹是心理安慰。

这篇文章会把整个过程完整还原，包括代码、数据、训练结果，以及一个扎心的结论。如果你也想用AI“挑战”彩票，不妨先看我踩过的坑。

一、先泼三盆冷水（非常重要）

1. 彩票是纯随机独立事件：上一期开奖结果对下一期没有任何影响。神经网络的本质是发现规律，没有规律的东西它只会“强行拟合噪声”。

2. 本文代码能跑通，但预测准确率≈瞎猜：如果你跑出来的结果很好，那一定是代码泄露了未来数据（或者运气爆棚，建议立即去买彩票）。

3. 绝对不要爬取彩票网站：CSDN明令禁止爬虫文章。所有数据请从官网手动下载公开的CSV历史数据，或者用我下文提供的模拟数据。

如果你理解并接受以上三点，那我们开始这场注定失败但收获满满的实验。

二、准备环境与数据

安装依赖

pip install tensorflow numpy pandas scikit-learn

数据获取（合规方式）

• 方式1（推荐）：前往中国福利彩票官网 → 数据服务 → 历史开奖数据 → 下载CSV。

• 方式2（教学用）：用下面的代码模拟一份假历史数据（仅用于演示流程）。

import pandas as pd
import numpy as np

# 模拟1000期双色球：红球1-33选6，蓝球1-16
np.random.seed(42)
data = []
for _ in range(1000):
    reds = np.random.choice(range(1, 34), size=6, replace=False)
    blues = np.random.choice(range(1, 17), size=1)
    data.append([*reds, *blues])

df = pd.DataFrame(data, columns=[f'red{i}' for i in range(1,7)] + ['blue'])
df.to_csv('lottery_demo.csv', index=False)
print("模拟数据已生成")

实际使用时，请替换为你下载的真实CSV文件路径。

三、核心代码（少量但完整）

我们只展示最关键的几个片段，完整代码和表格在最下方已上传。

1. 读取并构造样本

将连续5期的红球作为输入，第6期的红球作为输出。

import numpy as np
from sklearn.model_selection import train_test_split

df = pd.read_csv('lottery_demo.csv')
reds = df[['red1','red2','red3','red4','red5','red6']].values

seq_len = 5
X, y = [], []
for i in range(len(reds) - seq_len):
    X.append(reds[i:i+seq_len])
    y.append(reds[i+seq_len])
X, y = np.array(X), np.array(y)

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
print(f"训练集: {X_train.shape}, 测试集: {X_test.shape}")

2. 搭建一个简单的LSTM

from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import LSTM, Dense, Dropout

model = Sequential([
    LSTM(64, return_sequences=True, input_shape=(seq_len, 6)),
    Dropout(0.2),
    LSTM(32),
    Dense(6, activation='sigmoid')   # 输出6个红球，值在0~1之间
])
model.compile(optimizer='adam', loss='mse', metrics=['mae'])
model.summary()

3. 训练并观察“幻觉”

history = model.fit(X_train, y_train, epochs=30, batch_size=32,
                    validation_data=(X_test, y_test), verbose=1)

# 预测测试集
pred = model.predict(X_test)
# 将连续值映射到1-33整数
pred_reds = np.clip(np.round(pred * 33), 1, 33).astype(int)

四、结果：它果然翻车了

训练完成后，你看看测试集上的损失（loss）和平均绝对误差（mae）：

• 训练集loss：0.018 → 模型把历史数据“背”下来了。

• 测试集loss：0.197 → 换一批没见过的数据，误差瞬间放大十倍。

更直观的打击：随便挑一期真实开奖号码，和模型预测的对比——
真实：[5, 12, 19, 22, 28, 33]
预测：[17, 3, 29, 8, 14, 22]

平均每个号码差8个数字，这还不如你自己随手写6个数。

五、为什么一定会失败？—— 三个技术原理解释

1. 时间序列的自相关性检验
   对红球序列做Ljung-Box检验，p值远大于0.05，说明毫无自相关性。LSTM的本质是捕捉“前几步对下一步的影响”，这里根本没有影响可捕捉。

2. 过拟合随机噪声
   神经网络太灵活，它把每一期的随机波动都当成“规律”去记忆。测试集上一个微小变化就会导致预测崩溃。

3. 概率上不可能
   双色球一等奖概率约1/1772万。即使模型把误差缩小到1个号码内，概率提升也微乎其微。

六、那我写这篇文章的意义何在？

当然不是为了教你“如何中奖”，而是为了帮助你：

• ✅ 学会区分“可预测”与“不可预测”的问题

• ✅ 掌握LSTM处理多变量时间序列的标准流程：构造滑动窗口、reshape输入、评估过拟合。

• ✅ 明白一个道理：一个好模型不仅会“拟合”，更要懂“什么时候不该拟合”。

如果你对真正可预测的时间序列感兴趣（比如电力负荷预测、交通流量），我后续会写一篇正经的实战。可以先关注我，不迷路。

七、完整代码获取与合规提醒

• 📎 完整可运行代码（包含数据、训练、可视化已打包）放在这里：

• #####   https://pan.quark.cn/s/e3f68295512f#/list/share

• ⚠️ 再次强调：不要爬取任何彩票网站，不要使用本代码进行真实投注。本文仅用于教学演示神经网络的时间序列建模能力边界。

最后送大家一句话：机器学习不是魔法，它不能从纯随机中变出规律。但正因如此，它才更值得尊重。