基于 TensorFlow.js + LSTM + CRF 的双色球序列模型探索

彩票的随机性是不可动摇的前提

在开始任何技术讨论之前，必须先说清楚一件事：双色球开奖是独立随机事件。 每一期开奖结果与之前任何一期都没有因果关系，历史数据不包含任何可用于预测未来的信息。

这意味着本文讨论的所有模型，都不具备预测中奖号码的能力。如果有人告诉你某个模型“能预测彩票”，那一定是骗局。

那为什么还要做这件事？因为彩票数据是一个天然的、高质量的、公开的随机序列数据集。用它来探索序列模型的行为——看模型如何在纯噪声上“强行寻找规律”、如何过拟合、CRF 层如何建模标签依赖——这本身是一个极好的机器学习练习。理解模型在随机数据上的失败，比理解它在规律数据上的成功更有价值。

以下是我们的技术探索记录。

一、为什么选 TensorFlow.js

传统的做法是在服务端用 Python + TensorFlow 训练模型，前端只负责展示结果。但这带来两个问题：一是需要服务器和 GPU 成本，二是用户数据要上传到服务器。

TensorFlow.js 让整个训练过程在浏览器本地完成。用户打开网页，模型在本地初始化、训练、推理，数据不离开浏览器。对于彩票这种敏感话题，本地训练在隐私和合规上都更安全。

代价是性能。浏览器端没有 CUDA，只能依赖 WebGL 或 WASM 后端，训练速度大约是服务端的十分之一到五分之一。但对于几百到几千条数据的序列模型，这个速度可以接受。

二、问题建模：把选号变成序列标注

双色球每期开出 6 个红球（1-33）和 1 个蓝球（1-16）。如果把它看作一个序列标注任务，可以这样定义：

输入序列：最近 N 期的开奖号码（N 是窗口大小，比如 50 期）

输出标签：下一期每个位置的号码

这里有个关键设计：红球的 6 个位置是无序的，但模型需要一个固定顺序。一种常见的处理是先排序再建模——把每期红球从小到大排列，位置 1 就是最小的号码，位置 6 是最大的号码。

这样就变成了一个典型的序列到序列问题：输入一个长度为 N 的历史序列，输出一个长度为 6 的红球序列和一个长度为 1 的蓝球序列。

三、LSTM 层：捕捉序列中的时序依赖

LSTM（长短期记忆网络）是处理序列数据的经典结构。它通过输入门、遗忘门、输出门三个机制，决定哪些信息该记住、哪些该遗忘。

在我们的模型中，LSTM 层的作用是：

1. 编码历史信息：把最近 N 期的号码序列编码成一个隐藏状态向量
2. 捕捉模式：尝试学习号码之间的“趋势”——即使这些趋势在随机数据中并不存在

代码上，用 TensorFlow.js 构建一个双层 LSTM 大致是这样：

const model = tf.sequential();

model.add(tf.layers.lstm({
    units: 128,
    returnSequences: true,
    inputShape: [windowSize, featureCount],
}));

model.add(tf.layers.dropout({ rate: 0.2 }));

model.add(tf.layers.lstm({
    units: 128,
    returnSequences: false,
}));

model.add(tf.layers.dense({
    units: 6 * 33, // 6 个位置，每个位置 33 个候选号码
    activation: 'softmax',
}));

注意最后的 dense 层输出维度是 6 × 33 = 198。这意味着我们把 6 个位置的预测独立处理——每个位置都做一个 33 类的 softmax 分类。

但这里有个问题：6 个位置的预测是独立的，模型可能会让两个位置预测出同一个号码。在实际彩票中，6 个红球不会重复。这就需要 CRF 层来解决。

四、CRF 层：建模标签之间的依赖关系

CRF（条件随机场）通常用于序列标注任务（比如命名实体识别），它的核心价值是建模标签之间的转移概率。

在我们的场景中，CRF 可以解决两个问题：

1. 位置间的依赖：第 2 个位置的号码不应该和第 1 个位置相同
2. 全局最优：不是每个位置独立取最大概率，而是找到整个序列的全局最优解

标准的 CRF 层在 TensorFlow.js 中没有官方实现，需要自己构建。一个简化版的思路是：

// 伪代码：CRF 层的核心逻辑
// 1. 计算每个位置的发射分数（来自 LSTM 的输出）
// 2. 计算标签之间的转移分数（可学习的参数矩阵）
// 3. 用 Viterbi 算法解码出全局最优路径

class CRFLayer {
    constructor(numLabels) {
        // 转移矩阵：从标签 i 转移到标签 j 的分数
        this.transitions = tf.variable(
            tf.zeros([numLabels, numLabels])
        );
    }

    // 计算最优路径
    decode(emissions) {
        // Viterbi 算法
        // ...
    }
}

在实际实现中，因为双色球的位置约束（号码递增），我们可以简化转移矩阵的设计：只允许从较小的号码转移到较大的号码，这样天然避免了重复。

但说实话，在浏览器端用 JavaScript 实现完整的 CRF 推理（包括前向-后向算法和 Viterbi 解码）计算量不小。一个更实际的方案是用约束替代 CRF：在 softmax 输出之后，加一层掩码（mask），把已经选过的号码概率置零，然后重新归一化。

五、模型训练与评估

数据准备

从公开渠道获取双色球历史数据，每期 6 个红球 + 1 个蓝球。按时间顺序切分，前 80% 作为训练集，后 20% 作为验证集。

训练配置

• 窗口大小：50 期
• 批次大小：32
• 训练轮数：50
• 优化器：Adam
• 损失函数：分类交叉熵

评估指标

因为彩票是随机的，传统的“准确率”指标没有意义——模型永远不可能预测对。更有意义的评估是：

1. 训练损失 vs 验证损失：看模型是否过拟合
2. 预测分布的熵：模型输出的概率分布是均匀的（接近随机）还是尖锐的（有偏好）
3. 命中数分布：统计模型预测的号码与实际开奖号码的重合个数，看是否偏离随机基线

关键观察：如果模型在验证集上的损失不再下降，甚至开始上升，而训练损失继续下降，说明模型在记忆训练数据中的噪声。这是随机数据上的典型表现，也证明了彩票数据中不存在可学习的规律。

六、结论：模型学到了什么

经过多次实验，我们的观察是：

1. 模型能收敛，但收敛到的是噪声。训练损失可以降到很低，但验证损失在几个 epoch 后就停止下降。
2. 预测分布接近均匀。一个好的模型在随机数据上应该输出接近均匀的概率分布，这恰恰说明它“学会了随机性”。
3. 命中数符合超几何分布。模型预测的号码与实际开奖号码的重合个数，和随机选号的重合个数没有统计显著差异。
4. CRF 或约束层能改善“合法性”。加上去重约束后，模型输出的号码组合更“像”真实开奖号码（6 个不重复、有序），但这只是形式上的改善，不代表预测能力。

最重要的结论：这个过程让我们直观地看到了神经网络在纯噪声数据上的行为。它不会“发现规律”，只会“拟合噪声”。理解这一点，比得到一个高准确率的模型更有价值。

七、这个项目的实际价值

虽然模型不能预测彩票，但这个项目本身有实际价值：

• 技术演示：展示了如何在浏览器端完成一个完整的序列建模流程
• 教学工具：让用户直观感受 LSTM、Transformer、CRF 的工作原理
• 可视化：概率分布图、热力图让抽象的模型输出变得可理解
• 反面教材：证明了“用 AI 预测彩票”是伪命题