简介本资源是一套完整的基于随机森林算法的气温预测Python项目实现专为本科毕业设计、课程设计及入门级数据科学项目开发打造面向具备基础Python编程与机器学习认知的学习者解决气象时间序列建模与回归预测的实际问题。压缩包共15个文件含4个核心Python脚本实现数据预处理、特征工程、模型训练与评估、2个CSV格式气象数据集、3个文本说明文件含环境配置与运行指南、4个XML配置文件支持IDE集成调试以及1个DOT可视化文件展示随机森林结构整体体积仅4.27MB轻量易部署。已有326人下载学习资源经严格测试验证提供可直接运行的端到端流程从原始气温数据读取、滑动窗口特征构造到随机森林超参调优与MAE/RMSE指标评估代码结构清晰、注释完备便于理解算法逻辑并快速二次开发或拓展至其他气象要素预测场景。1. 为什么用随机森林做气温预测——不是为了“高大上”而是它真能扛住气象数据的毛刺、缺失和非线性跳变你手头有一份来自气象站或公开API如NOAA、中国气象数据网的逐小时/日均气温序列可能混着传感器漂移、短时断采、阴晴突变导致的剧烈波动甚至还有节假日、城市热岛效应带来的结构性偏移。这时候扔一个LSTM进去模型训得动但解释性为零上线后运维黑盒用线性回归温度和湿度、气压、风速之间根本不是直线关系残差图能让你怀疑人生。而随机森林回归Random Forest Regressor恰恰卡在这个缝隙里它不假设数据服从某种分布对异常值鲁棒能自动捕捉多变量间的非线性交互比如“高温低湿南风”组合比单看任一变量更能预示午后升温且特征重要性输出直接告诉你“气压变化率比当前温度本身还关键”——这对后续传感器布设或数据清洗有实操价值。本文不是讲算法推导而是带你用Python从零跑通一个可验证、可调参、可部署的气温预测流程从原始CSV加载、时间序列特征工程、模型训练到滚动预测评估。所有代码基于scikit-learn 1.3、pandas 2.0不依赖TensorFlow/PyTorch适合课程设计答辩、毕设系统嵌入或小型气象IoT边缘节点部署。源码结构清晰含完整数据预处理脚本、超参搜索模板和误差分析模块不是网上拼凑的5行demo。2. 数据准备与特征工程时间序列不能当普通表格喂给随机森林随机森林本质是决策树集成它不理解“时间先后”直接把[时间戳, 温度, 湿度, 气压]当静态样本会丢失时序依赖。必须构造能反映动态过程的特征否则模型永远学不会“今天升温快明天大概率继续升”。我一般分三步走时间维度编码、滞后特征构建、物理量衍生。2.1 时间特征编码别只用pd.to_datetime().hour单纯提取小时、星期几、是否节假日会让模型误判季节性。真实气象中“凌晨4点低温”在冬夏意义完全不同。必须叠加周期性编码sine/cosine transformationimport numpy as np import pandas as pd def add_time_features(df, time_coldatetime): df[time_col] pd.to_datetime(df[time_col]) df[hour_sin] np.sin(2 * np.pi * df[time_col].dt.hour / 24) df[hour_cos] np.cos(2 * np.pi * df[time_col].dt.hour / 24) df[day_sin] np.sin(2 * np.pi * df[time_col].dt.dayofyear / 365.25) df[day_cos] np.cos(2 * np.pi * df[time_col].dt.dayofyear / 365.25) # 添加月均温偏移用过去30天滑动平均减去全年平均表征“相对冷暖” df[temp_30d_mean] df[temperature].rolling(window30, min_periods1).mean() annual_mean df[temperature].mean() df[rel_temp_offset] df[temp_30d_mean] - annual_mean return df # 示例原始数据至少含 datetime, temperature, humidity, pressure 列 df pd.read_csv(weather_data.csv) df add_time_features(df)逻辑说明hour_sin/cos将24小时映射到单位圆上避免“23点→0点”的数值跳跃day_sin/cos同理处理年周期rel_temp_offset让模型感知“当前是否比常年更暖”这比绝对温度值对预测更有信息量。参数说明rolling(window30)用30天滑动窗min_periods1保证首日不为空——气象数据常有开头缺失硬设min_periods30会导致前29行全NaN。2.2 滞后特征Lag Features让模型记住“昨天发生了什么”气温具有强自相关性但简单加temp_lag1昨日温度不够。需构造多尺度滞后组合模拟不同时间尺度的记忆def add_lag_features(df, target_coltemperature, lags[1, 2, 3, 24, 48, 168]): for lag in lags: df[f{target_col}_lag_{lag}] df[target_col].shift(lag) # 添加滑动统计过去6小时温度标准差表征稳定性 df[temp_std_6h] df[target_col].rolling(window6, min_periods1).std() # 添加变化率过去1小时温度差值 df[temp_delta_1h] df[target_col].diff(periods1) return df df add_lag_features(df) # 删除含NaN的行滞后特征导致头部缺失 df df.dropna(subset[ftemperature_lag_{lag} for lag in [1, 2, 3, 24, 48, 168]] [temp_std_6h, temp_delta_1h])逻辑说明lags[1,2,3,24,48,168]覆盖短期小时级、中期日级、长期周级记忆temp_std_6h高值意味着天气不稳定如雷雨前模型会赋予更高权重temp_delta_1h直接告诉模型“升温还是降温趋势”。参数说明shift(lag)向后移动lag行diff(periods1)计算相邻行差值dropna()只删滞后特征列的NaN保留原始数据完整性——这是关键因为原始温度值可能有缺失但滞后特征缺失意味着无法构建该样本必须剔除。2.3 物理量衍生用气象常识压缩维度湿度、气压、风速原始值相关性高直接输入会增加噪声。按气象学经验构造合成特征def add_physical_features(df): # 饱和水汽压Magnus公式简化版单位hPa df[sat_vapor_pressure] 6.1094 * np.exp((17.625 * df[temperature]) / (243.04 df[temperature])) # 实际水汽压 饱和水汽压 × 相对湿度/100 df[actual_vapor_pressure] df[sat_vapor_pressure] * (df[humidity] / 100) # 水汽压差 饱和 - 实际表征蒸发潜力 df[vapor_pressure_deficit] df[sat_vapor_pressure] - df[actual_vapor_pressure] # 气压梯度用过去3小时气压变化率比绝对气压值更能指示锋面过境 df[pressure_trend_3h] df[pressure].diff(periods3) / 3 return df df add_physical_features(df)逻辑说明vapor_pressure_deficitVPD是农业气象核心指标值大意味着干燥易升温pressure_trend_3h比pressure本身更敏感——气压缓慢下降可能只是天气系统移动但3小时内陡降往往预示强对流。这些衍生特征将4个原始变量压缩为3个物理意义明确的新特征降低随机森林分裂时的随机性提升泛化性。3. 模型构建与超参优化为什么默认参数在气温预测上大概率翻车scikit-learn的RandomForestRegressor默认n_estimators100,max_depthNone,min_samples_split2这套参数在鸢尾花数据集上很稳但在气温预测中会迅速过拟合——气象数据噪声大树太深、分裂太细模型会记住某次特定雷暴的温度曲线而非学习普适规律。必须针对性调整。3.1 核心参数取舍逻辑先控深度再调数量参数推荐值为什么这样设max_depth8~12气温受有限物理因子驱动过深树15会拟合传感器噪声实测8~12层在验证集MAE最低min_samples_split10~20防止单个异常点如传感器瞬时故障触发分裂设为10意味着至少10个样本支持才分裂过滤毛刺n_estimators150~300比默认100更稳但超过300边际收益递减且推理延迟上升对实时预测关键max_featuressqrt特征数较多时20列sqrt比auto更防过拟合强制每棵树只看部分特征from sklearn.ensemble import RandomForestRegressor from sklearn.model_selection import TimeSeriesSplit # 时间序列专用交叉验证避免未来信息泄露 tscv TimeSeriesSplit(n_splits5) rf RandomForestRegressor( n_estimators200, max_depth10, min_samples_split15, max_featuressqrt, random_state42, n_jobs-1 # 利用所有CPU核心 ) # 注意不用GridSearchCV时间序列不能随机打乱 # 改用TimeSeriesSplit 手动循环调参更可控 param_grid { max_depth: [8, 10, 12], min_samples_split: [10, 15, 20], n_estimators: [150, 200, 250] } best_score float(inf) best_params {} for depth in param_grid[max_depth]: for split in param_grid[min_samples_split]: for est in param_grid[n_estimators]: rf_temp RandomForestRegressor( n_estimatorsest, max_depthdepth, min_samples_splitsplit, max_featuressqrt, random_state42 ) # 时间序列CV每次训练用前k段验证用第k1段 scores [] for train_idx, val_idx in tscv.split(X_train): X_tr, X_val X_train.iloc[train_idx], X_train.iloc[val_idx] y_tr, y_val y_train.iloc[train_idx], y_train.iloc[val_idx] rf_temp.fit(X_tr, y_tr) pred rf_temp.predict(X_val) scores.append(np.mean(np.abs(y_val - pred))) # MAE avg_mae np.mean(scores) if avg_mae best_score: best_score avg_mae best_params {max_depth: depth, min_samples_split: split, n_estimators: est} print(f最优参数: {best_params}, 最优MAE: {best_score:.3f})逻辑说明TimeSeriesSplit确保训练集永远在验证集之前杜绝未来信息泄露用MAE平均绝对误差而非MSE因为气温预测中大误差如漏报寒潮比小误差更致命MAE对异常值更鲁棒n_jobs-1加速训练但注意内存——200棵树×10万样本会吃掉8GB RAM若机器内存16GB建议设n_jobs4。3.2 特征重要性校验揪出“伪关键”变量训练完模型rf.feature_importances_输出常让人困惑temperature_lag_1重要性最高当然昨天温度最相关但vapor_pressure_deficit排第5是否说明它不重要错重要性排序受特征尺度影响。必须用**置换重要性Permutation Importance**重算from sklearn.inspection import permutation_importance # 在独立测试集上计算非训练集 perm_imp permutation_importance( rf, X_test, y_test, n_repeats10, # 重复10次取平均减少随机性 random_state42, n_jobs-1 ) # 获取特征名对应重要性 importance_df pd.DataFrame({ feature: X_test.columns, importance: perm_imp.importances_mean, std: perm_imp.importances_std }).sort_values(importance, ascendingFalse) print(importance_df.head(10))逻辑说明置换重要性通过随机打乱单个特征列观察模型误差上升幅度来衡量真实贡献不受特征间相关性干扰。实测中vapor_pressure_deficit常跃升至前3证明其物理意义被模型真正捕获而hour_sin重要性高于hour_cos说明模型更关注“昼夜节律的起始相位”而非对称性——这提示可进一步优化时间编码。4. 避坑气温预测中随机森林的5个血泪经验气象数据的特殊性让随机森林极易踩坑以下全是我在三个实际项目校园微气候监测、光伏电站发电预测、城市热岛预警中翻过的车按现象→原因→解决整理4.1 现象验证集MAE很低0.5℃但上线后连续3天预测偏差3℃原因训练数据未覆盖极端天气场景。模型见过大量20~30℃样本但没学过35℃以上高温或-10℃以下寒潮的响应模式遇到真实极端值就外推失灵。解决在数据预处理阶段强制按温度分位数采样。例如保留全部10℃和30℃样本其余区间按0.8概率随机丢弃确保极端值占比≥15%。代码实现q10 df[temperature].quantile(0.1) q90 df[temperature].quantile(0.9) extreme_mask (df[temperature] q10) | (df[temperature] q90) balanced_df pd.concat([ df[extreme_mask], df[~extreme_mask].sample(frac0.8, random_state42) ], ignore_indexTrue)4.2 现象特征重要性显示datetime列最重要但删掉它模型性能不变原因datetime原始字符串未处理随机森林将其当作分类变量每个时间戳都是唯一类别导致树在根节点就按时间分裂——这本质是过拟合模型记住了“2023-05-12 14:00总是28.3℃”而非学习规律。解决永远不要把原始datetime字符串传入模型。必须先用2.1节方法编码为hour_sin/cos等数值特征或彻底删除datetime列时间信息已由滞后特征承载。4.3 现象max_depth10时训练快但max_depth12训练时间暴涨3倍内存溢出原因深度增加导致单棵树节点数指数级增长尤其当min_samples_split过小如2时树会分裂到叶节点只剩1~2个样本生成海量无效节点。解决同步收紧min_samples_split。深度每1min_samples_split至少3。例如max_depth12时min_samples_split应≥18。实测平衡点max_depth10配min_samples_split15max_depth12配min_samples_split20。4.4 现象用predict()预测未来24小时结果全是平直线无波动原因滚动预测rolling forecast未正确实现。错误做法用t0数据预测t1再用t1预测值填充t1特征去预测t2……这导致误差累积。正确做法所有滞后特征必须基于真实观测值预测窗口内只更新目标变量其他特征湿度、气压用预报值或保持不变。解决对24小时预测构造24个独立模型每个模型用不同滞后组合预测t1用t, t-1, t-2,...特征预测t2用t1真实, t, t-1,...特征注意t1必须是真实值不能用预测值若需纯自回归预测改用skforecast库的ForecasterAutoreg它内置滚动逻辑。4.5 现象n_estimators300比n_estimators100MAE仅降0.02℃但推理耗时翻倍原因随机森林的误差收敛有平台期。超过200棵树后新增树对降低方差贡献极小但增加推理延迟。解决监控OOBOut-of-Bag误差曲线。训练时开启oob_scoreTrue绘制n_estimatorsvsoob_scorerf_oob RandomForestRegressor(n_estimators300, oob_scoreTrue, random_state42) rf_oob.fit(X_train, y_train) plt.plot(rf_oob.oob_score_, labelOOB R²) plt.xlabel(Number of trees) plt.ylabel(OOB Score) plt.axvline(x200, colorr, linestyle--) # 平台期起点平台期后停止增加树数实测200棵是多数气象场景性价比拐点。5. 滚动预测与误差诊断用残差图定位模型失效的具体天气类型部署后不能只看整体MAE必须知道“模型在哪种天气下失效”。我坚持用滚动预测残差时空可视化这招在毕设答辩时让导师当场追问细节。5.1 构建滚动预测管道拒绝一次性预测def rolling_forecast(model, X_full, y_full, horizon24, step1): horizon: 预测未来多少小时 step: 每次滚动步长通常为1 返回: 预测值数组、真实值数组、时间索引 predictions [] actuals [] timestamps [] # 从第horizon小时开始确保有足够滞后特征 for i in range(horizon, len(X_full) - horizon 1, step): # 取当前时刻i的特征已含滞后项 X_pred X_full.iloc[i:i1] y_true y_full.iloc[i:i1].values[0] y_pred model.predict(X_pred)[0] predictions.append(y_pred) actuals.append(y_true) timestamps.append(X_full.index[i]) return np.array(predictions), np.array(actuals), timestamps # 执行滚动预测 preds, trues, times rolling_forecast(rf, X_test, y_test, horizon24) # 计算逐小时残差 residuals trues - preds5.2 残差时空热力图一眼锁定失效时段import matplotlib.pyplot as plt import seaborn as sns # 将残差按日期-小时重组为2D矩阵 df_res pd.DataFrame({time: times, residual: residuals}) df_res[date] pd.to_datetime(df_res[time]).dt.date df_res[hour] pd.to_datetime(df_res[time]).dt.hour # pivot成热力图行日期列小时 res_pivot df_res.pivot(indexdate, columnshour, valuesresidual) plt.figure(figsize(12, 8)) sns.heatmap(res_pivot, cmapRdBu_r, center0, cbar_kws{label: Residual (℃)}) plt.title(Residual Heatmap: RedOver-predict, BlueUnder-predict) plt.xlabel(Hour of Day) plt.ylabel(Date) plt.tight_layout() plt.savefig(residual_heatmap.png, dpi300)效果图中若出现连续多日14:00-16:00区域深红色过预测说明模型低估了午后太阳辐射加热效应若某日整行蓝色可能是该日有未录入的局地降雨事件。这种定位比看MAE有用10倍——它直接告诉你“该补录哪类天气标签”。5.3 按天气类型分组误差统计用气象知识反哺模型# 假设你有天气标签列 weather_condition晴/多云/雨/雪 error_by_weather [] for weather in df_test[weather_condition].unique(): mask df_test[weather_condition] weather if mask.sum() 50: # 确保样本量足够 err np.abs(y_test[mask] - preds[mask]) error_by_weather.append({ weather: weather, mae: np.mean(err), std: np.std(err), count: len(err) }) error_df pd.DataFrame(error_by_weather).sort_values(mae, ascendingFalse) print(error_df[[weather, mae, std, count]])实战价值若发现“雨天MAE2.1℃晴天MAE0.7℃”说明模型对降水相变过程学习不足。此时应①检查是否遗漏了“降雨强度”或“云量”特征②在雨天样本上单独训练子模型③或引入物理约束——当预报降雨时强制将预测温度上限设为露点温度。这才是工程落地的闭环。我带学生做毕设时总强调随机森林不是黑匣子它的树结构可导出、特征重要性可验证、残差可定位。气温预测的成败70%在特征工程20%在参数调优剩下10%才是算法本身。把vapor_pressure_deficit算准、把hour_sin/cos编好、把极端天气样本采够——模型自然会给你靠谱的结果。希望帮到你。本文还有配套的精品资源点击获取