TimeSeriesMCPServer

基于MCP (Model Context Protocol) 的时间序列预测服务，支持RNN、LSTM、GRU三种深度学习算法。

作者: Heny(兰翔)、LovelyFlash(王李超)

课程: 人工智能引论 25秋

工具列表：

工具 (Tools)

• train_rnn_model - 训练RNN回归模型
• train_lstm_model - 训练LSTM回归模型
• train_gru_model - 训练GRU回归模型
• predict_model - 使用已训练模型进行预测
• compare_models - 对比三种模型性能并自动选择最佳
• get_available_models - 获取当前已训练可用的模型列表
• get_server_config - 获取服务器配置信息

资源 (Resources)

• hello_resource - 示例MCP资源

提示词 (Prompts)

• greet_user - 问候语生成提示
• predict_workflow - 时间序列预测完整工作流提示

---

一、项目结构

Simple_MCP_Server/
├── server.py              # 服务器入口
├── setup.py              # 安装脚本
├── config.yaml           # 配置文件
├── pyproject.toml        # 依赖管理
├── .gitignore           # Git忽略文件
├── README.md             # 本文档
│
├── tools/                # MCP工具
│   ├── __init__.py       # 工具包初始化
│   ├── hello_tool.py     # 示例工具
│   ├── time_series_models.py  # RNN/LSTM/GRU模型实现
│   └── time_series_tools.py  # 时间序列工具函数
│
├── prompts/              # MCP提示词模板
│   ├── __init__.py       # 提示包初始化
│   ├── hello_prompt.py   # 示例提示
│   └── predict_prompt.py # 时间序列预测工作流提示
│
├── resources/            # MCP资源
│   ├── __init__.py       # 资源包初始化
│   └── hello_resource.py # 示例资源
│
├── core/                 # 核心功能模块
│   ├── __init__.py       # 核心包初始化
│   └── hello_secrets.py  # 示例secrets管理
│
├── utils/                # 公共工具模块
│   ├── __init__.py       # 工具包初始化
│   ├── config.py         # 配置管理
│   ├── logger.py         # 日志管理
│   ├── errors.py         # 错误处理
│   ├── helpers.py        # 辅助函数
│   ├── middleware.py     # 中间件
│   ├── security.py       # 安全模块
│   └── system.py         # 系统工具
│
├── examples/             # 示例代码
│   ├── __init__.py       # 示例包初始化
│   └── sdk_client.py     # Python SDK客户端
│
├── logs/                 # 日志文件目录
├── modules/              # 模块目录
│
├── deploy.sh             # Linux部署脚本
└── deploy.bat            # Windows部署脚本

---

二、快速开始

1. 安装依赖

uv venv
uv sync

2. 启动服务器

uv run server.py

服务器地址: http://127.0.0.1:12346

---

三、工具详解

3.1 train_rnn_model - RNN模型训练对话示例

用户: 我有一组温度数据，想训练一个RNN模型。

AI: 好的，我们可以使用train_rnn_model工具来训练RNN回归模型。你需要提供时间序列数据，比如说: [20.5, 21.2, 19.8, 22.0, 21.5, 20.9, 22.1, 21.8, 20.4, 23.0]，以及设定训练轮数等参数。是否需要调整默认参数？

AI: 调用工具训练：

result = await client.train_rnn_model(
    data=[20.5, 21.2, 19.8, 22.0, 21.5, 20.9, 22.1, 21.8, 20.4, 23.0],
    epochs=50,
    sequence_length=3,
    hidden_size=32
)

AI: 训练完成！

{
  "status": "success",
  "model_type": "rnn",
  "final_loss": 0.0123,
  "metrics": {
    "mse": 0.011,
    "rmse": 0.105,
    "mae": 0.082
  },
  "sample_predictions": [21.1, 19.9, 22.2],
  "sample_actuals": [21.2, 19.8, 22.0]
}

AI: RNN模型训练成功！最终损失为0.0123，MSE为0.011。可以看到预测值与实际值很接近。

---

3.2 train_lstm_model - LSTM模型训练对话示例

用户: 我有一段时间序列数据，序列比较长，有50个点，想用LSTM模型做预测。

AI: 好的，LSTM适合处理长序列数据，记忆能力更强。我们可以使用train_lstm_model工具。我看到你有50个数据点，那么我们可以设置序列长度为5，隐藏层大小为64，训练轮数为100。数据准备好了吗？

AI: 开始训练LSTM模型：

result = await client.train_lstm_model(
    data=[2.1, 2.3, 2.0, 2.5, 2.2, 2.8, 1.9, 3.0, 2.7, 2.4, 2.9, 2.1, 3.2, 2.6, 2.8, 3.1, 2.5, 3.3, 2.7, 3.0, 2.8, 2.9, 3.4, 2.6, 3.5, 2.9, 3.1, 3.2, 2.8, 3.6, 3.0, 3.3, 3.1, 2.9, 3.7, 3.2, 3.4, 3.1, 3.0, 3.8, 3.3, 3.5, 3.2, 3.1, 3.9, 3.4, 3.6, 3.2, 3.3, 4.0],
    epochs=100,
    sequence_length=5,
    hidden_size=64
)

AI: LSTM训练结果：

{
  "status": "success",
  "model_type": "lstm",
  "final_loss": 0.0089,
  "metrics": {
    "mse": 0.007,
    "rmse": 0.084,
    "mae": 0.061
  },
  "sample_predictions": [3.35, 3.5, 3.2],
  "sample_actuals": [3.4, 3.5, 3.2]
}

AI: LSTM模型训练成功！相比RNN，LSTM在处理长序列时表现更稳定，最终损失为0.0089，MSE为0.007。看起来预测准确度很高。

---

3.3 train_gru_model - GRU模型训练对话示例

用户: 我设备性能有限，想用最少的参数做时间序列预测，GRU是不是适合我？

AI: 确实，GRU 参数量比LSTM少，适合资源受限的环境。我们可以使用train_gru_model工具。给你看一个简单的例子，只需要很少的数据点和小的隐藏层。

AI: 训练GRU模型：

result = await client.train_gru_model(
    data=[1.0, 2.0, 3.0, 4.0, 5.0, 6.0, 7.0, 8.0, 9.0, 10.0],
    epochs=30,
    sequence_length=2,
    hidden_size=16
)

AI: GRU训练结果：

{
  "status": "success",
  "model_type": "gru",
  "final_loss": 0.0156,
  "metrics": {
    "mse": 0.014,
    "rmse": 0.118,
    "mae": 0.091
  },
  "sample_predictions": [9.8, 10.1, 10.5],
  "sample_actuals": [10.0, 10.0, 11.0]
}

AI: 太好了！GRU模型训练成功。虽然参数量少，但表现还不错，最终损失为0.0156，MSE为0.014。对于资源有限的设备来说，这是一个很好的选择。

---

3.4 predict_model - 使用模型进行预测对话示例

用户: 我已经训练了一个LSTM模型，现在想对未来数据做预测，怎么做？

AI: 好，我们可以使用predict_model工具来使用已训练的模型进行预测。首先你需要确保模型已经训练好了，然后提供待预测的数据序列。

AI: 首先检查可用模型：

await client.get_available_models()

AI: 如果LSTM已训练，就可以进行预测：

result = await client.predict_model(
    data=[10.0, 11.0, 12.5],
    model_type="lstm"
)

AI: 预测结果：

{
  "status": "success",
  "model_type": "lstm",
  "predictions": [13.1, 14.2, 15.3, 16.5, 17.8],
  "prediction_count": 5
}

AI: 成功预测了未来5个数据点！根据输入序列[10.0, 11.0, 12.5]，模型预测下一阶段的值为[13.1, 14.2, 15.3, 16.5, 17.8]。

用户: 我想预测其他模型，可是我还没训练过。

AI: 这样的话会返回错误信息：

{
  "status": "error",
  "message": "Model 'rnn' not trained yet. Please train the model first."
}

AI: 看来需要先训练相应的模型，然后再进行预测。

---

3.5 compare_models - 模型对比和自动选择对话示例

用户: 我很难决定用哪个模型，RNN、LSTM还是GRU？有没有工具可以帮我比较它们？

AI: 当然有！我们可以使用compare_models工具来同时训练三种模型，并自动选择表现最好的一个。这个工具会比较MSE（均方误差）来确定哪个模型最合适。

AI: 调用比较工具：

result = await client.compare_models(
    data=[1.0, 2.0, 3.0, 4.0, 5.0, 6.0, 7.0, 8.0, 9.0, 10.0, 11.0, 12.0, 13.0, 14.0, 15.0],
    epochs=100,
    sequence_length=3,
    hidden_size=64
)

AI: 模型比较结果：

{
  "status": "success",
  "results": {
    "rnn": {
      "mse": 0.031,
      "rmse": 0.176,
      "mae": 0.145
    },
    "lstm": {
      "mse": 0.012,
      "rmse": 0.109,
      "mae": 0.085
    },
    "gru": {
      "mse": 0.022,
      "rmse": 0.148,
      "mae": 0.112
    }
  },
  "best_model": "lstm",
  "best_mse": 0.012
}

AI: 太棒了！经过比较，LSTM模型表现最佳，MSE只有0.012，比RNN的0.031和GRU的0.022都要好。系统自动推荐使用LSTM模型进行后续预测，这对长序列数据来说是最合适的。

---

3.6 get_available_models - 检查可用模型对话示例

用户: 我想知道当前已经训练了哪些模型。

AI: 没问题，我们可以使用get_available_models工具来查看当前已训练并可用的模型列表。这个工具不需要任何参数。

AI: 检查可用模型：

result = await client.get_available_models()

AI: 查询结果：

{
  "status": "success",
  "available_models": ["lstm", "gru"],
  "model_count": 2
}

AI: 好的，当前已经训练了两个模型：LSTM和GRU。现在你可以直接使用这两个模型进行预测，而不需要重新训练。

---

3.7 get_server_config - 获取服务器配置对话示例

用户: 我想了解服务器的当前配置。

AI: 我们可以用get_server_config工具来获取服务器的配置信息。你可以指定具体要查询的配置键，如果不指定会返回默认值。

AI: 获取服务器配置：

result = await client.get_server_config(key="server.name")

AI: 配置查询结果：

{
  "status": "success",
  "config_key": "server.name",
  "config_value": "TimeSeriesMCPServer",
  "description": "当前服务器名称"
}

AI: 如果你想查看所有配置，也可以不传key参数来获取完整的配置信息。

3.8 predict_prompt - 时间序列预测工作流对话示例

用户: 预测时间序列[1.02, 2.11, 2.98, 4.05, 5.12, 6.03, 7.19, 8.25, 9.17, 10.28, 11.33, 12.41, 13.29, 14.45, 15.52, 16.37, 17.58, 18.64, 19.71, 20.83, 21.92, 22.78, 23.89, 25.01, 26.10, 27.05, 28.18, 29.27, 30.34, 31.42, 32.51, 33.63, 34.72, 35.81, 36.90, 37.95, 39.08, 40.13, 41.27, 42.39, 43.48, 44.55, 45.69, 46.77, 47.84, 48.91, 50.02, 51.15, 52.23, 53.31]的后五项

AI: 根据对时间序列数据的分析和模型训练，以下是预测结果和模型对比分析：

预测后五项

基于训练的LSTM模型，时间序列的后五项预测值为：

• 第51项：53.31 → 预测为 54.40
• 第52项：54.40 → 预测为 55.49
• 第53项：55.49 → 预测为 56.58
• 第54项：56.58 → 预测为 57.67
• 第55项：57.67 → 预测为 58.76

（注：以上为基于模型趋势的连续预测，根据最后几个点的模式推算得出。）

模型性能对比

我们对比了RNN、LSTM和GRU三种模型在相同数据集上的表现，评估指标包括均方误差（MSE）、均方根误差（RMSE）和平均绝对误差（MAE）：

模型	MSE	RMSE	MAE	最终损失
RNN	0.0671	0.2591	0.2192	0.0000276
LSTM	0.0236	0.1537	0.1346	0.0000095
GRU	0.0249	0.1576	0.1375	0.0000083

结论与推荐

• 最佳模型：LSTM，在所有指标中表现最优，尤其是在MSE和RMSE上显著优于RNN和GRU。
• 次优模型：GRU，性能与LSTM非常接近，但略逊于LSTM。
• 最差模型：RNN，误差明显高于其他两种模型，不适合此时间序列任务。

推荐

建议使用LSTM模型进行后续预测，其预测精度最高，对趋势的捕捉能力最强。

---

四、大模型调用配置

Cursor/Cline

{
  "mcpServers": {
    "timeseries-mcp": {
      "url": "http://127.0.0.1:12346/sse"
    }
  }
}

Claude Desktop

%APPDATA%\Claude\claude_desktop_config.json:

{
  "mcpServers": {
    "timeseries-mcp": {
      "command": "uv",
      "args": ["run", "--directory", "D:\\desktop\\Simple_MCP_Server", "server.py"]
    }
  }
}

Python SDK

from examples import TimeSeriesMCPClient
import asyncio

async def main():
    async with TimeSeriesMCPClient(cwd=".") as client:
        # 训练模型
        result = await client.train_lstm(data=[1,2,3,4,5], epochs=50)
        
        # 预测
        pred = await client.predict(data=[6,7], model_type="lstm")

asyncio.run(main())

---

五、配置说明

修改 config.yaml:

server:
  name: TimeSeriesMCPServer
  version: 0.1.0

transport:
  type: "sse"      # stdio 或 sse
  port: 12346

security:
  enabled: false   # 启用安全认证
  api_key: "your-key"

---

六、算法选择

场景	推荐	原因
短序列	RNN	简单快速
长序列	LSTM	记忆能力强
资源受限	GRU	参数量少