TFLite Micro LSTM 边缘预测系统产品系统

工业设备状态监测、智能家居等场景需要在本地完成实时预测，传统云端 AI 方案存在网络延迟、带宽成本与数据隐私问题，且部分设备处于离线环境。本项目将 LSTM 时序预测模型部署到 STM32 单片机端，实现无需联网的端侧推理，满足低功耗、离线环境下的时序数据预测需求。

系统分为模型训练端与端侧推理两部分。训练端使用 Python + TensorFlow 构建 LSTM 网络，对传感器时序数据进行训练，并量化转换为 TFLite 格式；端侧在 STM32 上集成 TensorFlow Lite Micro 解释器，实现三个功能：数据滑动窗口采集、模型加载与本地推理、预测结果通过串口输出。可在上位机实时查看预测值与真实值对比曲线，推理全程在 MCU 本地完成，不依赖网络。

本人独立负责全流程实现：编写 LSTM 模型训练与量化脚本，将模型转换为 C 数组嵌入固件；在 STM32 上完成 TFLM 移植与内存优化（张量内存池复用），解决了 MCU 片上 RAM 不足导致推理失败的关键难点。