简介：面向Python课程设计与期末大作业的LSTM气温预测及可视化项目，提供完整源码与配套说明文档，解决气温序列建模与预测可视化全流程问题。代码注释细致，结构清晰，即使初学者也能逐步理解时间序列预测的实现思路。压缩包内包含16个文件：8个Python脚本覆盖天气数据爬取、数据清洗、数据集构建、模型定义、训练与预测可视化等完整环节；2个Excel文件存放气温样本数据；另有Markdown格式的说明文档，便于阅读环境配置与运行方法。整个资源仅723KB，部署轻量，下载后简单配置即可运行。目前已有179人学习下载，是期末大作业、课程设计或数据挖掘入门实践的优质参考。通过该项目，读者可以掌握LSTM在气象数据上的建模流程，学习如何编写数据加载器、设计训练循环、保存与调用模型，并利用演示脚本快速查看预测效果，同时可基于配置文件灵活调整超参数，进行二次研究与扩展，满足期末答辩与功能演示需求。
1. 为什么拿 LSTM 做气温预测，值得你抄这份作业
每年期末都能看到一大批气温预测的大作业，但绝大多数人栽在同一件事上：模型跑出来了，图也画了，老师一问“滞后一拍是怎么回事”就哑火，答辩直接翻车。实际上 LSTM 做气温预测是时间序列里最经典、也最适合拿来当课程设计收尾的题目——数据好找、效果直观、可视化能做得很漂亮，而且整套流程从数据处理到模型训练再到画图，每一步都有清晰的技术标准。
这个标题所指向的项目，本质是一个最小闭环：把某城市过去几年甚至几十年的逐日气温数据喂进 LSTM，训练一个模型，让它预测未来 7 天乃至 30 天的气温走向，再把真实值和预测值叠在一张图上对比展示。你不需要分布式训练、不需要 GPU 集群，一台普通笔记本、一个 Python 环境、几百行代码就能跑通。适合的人群很明确：正在准备 Python 或机器学习课程期末大作业的学生，以及想快速掌握 LSTM 时间序列预测套路、但不想啃长篇论文的初学者。
我见过太多人把精力全砸在调神经网络结构上，结果忽略了数据预处理和可视化这两个真正的得分点。这篇就是按“数据清洗→滑窗构造→模型训练→可视化→答辩兜底”的顺序，把每一步的做法、参数依据和踩过的坑全部摊开讲。
2. 数据准备与预处理：决定你模型上限的 80% 工作量
2.1 数据从哪来、长什么样才算干净
常见做法是去中国气象数据网或公开数据集站下载某个城市过去 3~10 年的逐日气温数据，保存成 CSV，一般至少要有两列：日期和当日平均气温。有些数据集还附带最高温、最低温、湿度、风速等字段，你可以先用平均气温做单变量预测，后续再扩展成多变量输入，这在答辩时会变成加分项。
拿到数据后第一件事不是建模，而是先做三件脏活：检查缺失值、检查重复行、确认时间序列的频率是连续的（比如有没有跳天）。气温站数据经常会有“某几天没记录”或者“传感器故障出现极端值”的情况，这些都会直接污染 LSTM 的训练过程。
import pandas as pd # 读入原始数据 df = pd.read_csv('temperature.csv', parse_dates=['date']) # 按日期排序，防止原始文件时间顺序错乱 df = df.sort_values('date').reset_index(drop=True) # 检查缺失 print(df.isnull().sum()) # 检查是否有重复日期 print(df['date'].duplicated().sum()) # 简单粗暴但有效的填充方式：用前后两天的均值补缺失 df['temp'] = df['temp'].interpolate(method='linear', limit_direction='both')这段代码里，parse_dates=['date']是把日期列直接解析成 pandas 的 datetime 类型，后续做时间切片和画图时非常方便。interpolate(method='linear')是线性插值，对气温这种连续变化的变量来说，用前后两天均值补缺失通常足够；但如果你发现缺失值连续超过 5 天，建议直接考虑删掉这一段，否则补出来的数据是假的，模型学到的也是假的规律。
2.2 归一化：为什么 LSTM 对量纲这么敏感
LSTM 内部使用 sigmoid 和 tanh 作为激活函数，这两个函数的输出区间分别是 (0,1) 和 (-1,1)。如果输入数据的量纲是“摄氏度”这种 0 到 40 的量级，或者更夸张的“气温×1000”，特征值直接落在激活函数的饱和区，梯度会变得非常小，训练基本走不动。所以归一化不是可选项，而是 LSTM 的硬性前置条件。
from sklearn.preprocessing import MinMaxScaler import numpy as np # 提取气温列并转为 numpy 数组 temp_values = df['temp'].values.reshape(-1, 1) # 实例化归一化器，把数据缩放到 [0, 1] 区间 scaler = MinMaxScaler(feature_range=(0, 1)) scaled_data = scaler.fit_transform(temp_values)注意一个高频翻车点：fit_transform只能用在训练数据集上，验证集和测试集必须用同一个已经 fit 好的 scaler 做transform，绝对不能重新 fit。因为一旦重新 fit，测试集的信息就“泄漏”进了训练流程，你在答辩时如果被问到这个问题，会非常难看。
2.3 滑窗构造样本：time_step 到底怎么定
LSTM 不能直接吃一整个序列，你需要把时间序列切成“过去 N 天预测未来 M 天”的样本对。这个 N 就是 time_step，也就是滑窗长度。选多少合适，取决于数据的周期性：气温数据有强烈的年周期，365 天一个轮回，理论上 time_step 越大模型能看到的上下文越完整，但训练成本也会暴涨——你的样本数量几乎不变，但每个样本的时间维度变长了，LSTM 的展开步数也随之增加，训练时间成倍上涨。
def create_sequences(data, time_step=30, predict_step=7): X, y = [], [] for i in range(len(data) - time_step - predict_step + 1): X.append(data[i : i + time_step, 0]) # 过去 time_step 天 y.append(data[i + time_step : i + time_step + predict_step, 0]) # 未来 predict_step 天 return np.array(X), np.array(y) time_step = 30 # 用过去 30 天的气温 predict_step = 7 # 预测未来 7 天 X, y = create_sequences(scaled_data, time_step, predict_step) # 按 8:2 切分训练集和测试集，注意是时序数据，不能随机打乱 split_idx = int(len(X) * 0.8) X_train, X_test = X[:split_idx], X[split_idx:] y_train, y_test = y[:split_idx], y[split_idx:]time_step=30 是开学作业里最常见的取值，因为它对应“过去一个月”的天气，符合直觉；但如果你想让结果更好看一点，我建议试一下 90 或 120，让模型至少看到跨季节的边缘信息，然后画一张不同 time_step 的误差对比表，这页 PPT 放出去，老师基本不会再挑刺。
3. 构建 LSTM 模型：网络结构设计与训练参数详解
3.1 用 Keras 搭一个能跑的模型，最少需要几层
有了样本之后，模型本身反而是最简单的部分。Keras 的 Sequential 接口几行就能搭出一个可用的 LSTM 模型。但“能用”和“拿高分”之间，隔着一个 Dropout 和合理的层数选择。
from tensorflow.keras.models import Sequential from tensorflow.keras.layers import LSTM, Dense, Dropout # 搭建模型 model = Sequential() model.add(LSTM(units=64, return_sequences=True, input_shape=(time_step, 1))) model.add(Dropout(0.2)) model.add(LSTM(units=32, return_sequences=False)) model.add(Dropout(0.2)) model.add(Dense(units=predict_step)) model.compile(optimizer='adam', loss='mse', metrics=['mae']) print(model.summary())这里用了两层 LSTM：第一层return_sequences=True表示把每个时间步的隐藏状态都输出给下一层，这样第二层 LSTM 可以继续在时间维度上做特征提取；第二层return_sequences=False只保留最后一个时间步的输出，然后接一个 Dense 层直接输出未来 7 天的气温预测值。如果只做未来 1 天的预测，第二层 Dense 的输出单元就是 1；现在是预测 7 天，所以输出单元是 7。
units 是 LSTM 隐藏单元的个数，你可以理解为模型的“记忆宽度”。64/32 这种组合在气温预测这种单变量、规律较强的任务上通常足够；再往上加，比如 128/64，训练时间会明显变长，但精度提升非常有限，性价比不高。
3.2 训练参数：epochs、batch_size、learning_rate 怎么配合
接下来是训练环节。很多初学者一上来就把 epochs 拉到 200，跑完发现 loss 曲线像心电图一样乱跳，然后就开始怀疑模型出了问题。其实问题多半出在 learning_rate 和 batch_size 的配合上。
from tensorflow.keras.callbacks import EarlyStopping # 早停：当验证集 loss 连续 10 轮不下降就停止训练，防止过拟合 early_stop = EarlyStopping( monitor='val_loss', patience=10, restore_best_weights=True ) # 训练模型 history = model.fit( X_train, y_train, validation_data=(X_test, y_test), epochs=100, batch_size=32, callbacks=[early_stop], verbose=1 )epochs 设 100，但因为加了 EarlyStopping，实际一般跑 30~50 轮就会停。patience=10的意思是连续 10 轮验证集 loss 没有下降就提前终止，并且restore_best_weights=True会把模型权重回滚到验证集 loss 最低的那一轮——这是大作业里最实用的“后悔药”。batch_size 在 16~64 之间通常比较稳定，数值越大训练越快但收敛越不稳定，数值越小收敛越慢但更平滑。
在 LSTM 的默认配置里，Adam 优化器自带自适应学习率，你基本不用手动调整 learning_rate。但如果发现训练 loss 前几轮下降特别快、后面震荡很大，可以去model.compile里显式写一个learning_rate=0.001（Adam 的默认值），把学习率降到 0.0005 再试。
3.3 训练过程诊断：loss 曲线告诉你的三件事
模型训练完不要直接拿去画预测图，先看 loss 曲线。model.fit返回的 history 对象里保存了每一轮的 loss 和 val_loss，画成曲线之后，你会看到三种典型情况：
第一种，训练 loss 和验证 loss 同时下降并趋于平缓，这是最理想的状态，模型收敛了。第二种，训练 loss 持续下降但验证 loss 先降后升，说明过拟合了，需要加大 Dropout 比例、减小模型层数，或者增加训练数据。第三种，两条曲线同时震荡不收敛，说明学习率太高、time_step 太短，或者数据没有做好归一化。
这里有一个容易被忽略的细节：验证集不是随便切的。因为这是时间序列，你必须保证验证集在时间上位于训练集之后（也就是未来），不能随机打乱。上面的代码里split_idx = int(len(X) * 0.8)就是按时间顺序切分，前 80% 训练，后 20% 验证。这一点在答辩时几乎是必问题，注意措辞。
4. 可视化与结果展示：把预测曲线画到让老师眼前一亮
4.1 核心图表一：真实值 vs 预测值曲线对比
可视化是这个题目里最能拉开分差的部分——很多人的模型其实没差多少，但图的质量差了一整个档次。最核心的图是把测试集上的真实气温和 LSTM 预测气温叠在同一张坐标轴里，一眼看出拟合效果。
import matplotlib.pyplot as plt # 用训练好的模型对测试集做预测 predicted = model.predict(X_test) # 把预测结果反归一化回真实气温量纲 predicted_temp = scaler.inverse_transform(predicted) y_test_temp = scaler.inverse_transform(y_test) # 取测试集中最后 180 天做展示，太长了反而看不清 show_days = 180 plt.figure(figsize=(14, 6)) plt.plot(y_test_temp[-show_days:, 0], label='真实气温', linewidth=1.5) plt.plot(predicted_temp[-show_days:, 0], label='LSTM 预测气温', linewidth=1.5, linestyle='--') plt.legend() plt.title('真实气温 vs LSTM 预测气温（测试集后 {} 天）'.format(show_days)) plt.xlabel('天数') plt.ylabel('气温（℃）') plt.grid(alpha=0.3) plt.tight_layout() plt.savefig('temperature_prediction.png', dpi=200) plt.show()这里要注意scaler.inverse_transform这一步——模型输出的数值是 [0,1] 区间的归一化值，不反归一化的话，画出来的图纵轴是 0 到 1，老师看到会觉得你连单位都没搞清楚。预测结果的第一列对应 predict_step 中的第 1 天，这段代码展示的是“每个样本的第一个预测值”和“真实值第 1 天”的对比，目的是让你直观看到模型的整体拟合能力。
4.2 核心图表二：训练过程的 loss 曲线
这张图虽然简单，但能证明你的模型是“训练收敛”而不是“结果撞运气”。把训练集和验证集的 loss 画在一起，老师在答辩时一眼就能判断你是否真的理解训练过程。
# 从 history 中提取 loss 数据 train_loss = history.history['loss'] val_loss = history.history['val_loss'] plt.figure(figsize=(10, 5)) plt.plot(train_loss, label='训练集 Loss', linewidth=1.8) plt.plot(val_loss, label='验证集 Loss', linewidth=1.8, linestyle='--') plt.legend() plt.title('LSTM 模型训练过程 Loss 变化') plt.xlabel('Epoch') plt.ylabel('MSE Loss') plt.grid(alpha=0.3) plt.tight_layout() plt.savefig('loss_curve.png', dpi=200) plt.show()如果你加了 EarlyStopping，实际训练的 epoch 数会小于你设置的 100，但图表里横坐标会自动适配——因为 history 只记录实际跑过的轮次。一个值得在答辩时主动说出来的细节是：“验证集 loss 在前 10 轮快速下降，之后进入平稳期，说明模型在 60 轮左右已经收敛，EarlyStopping 帮我节省了约 40% 的训练时间。”这句话本身就是一个知识面展示。
4.3 加分图表：未来 7 天预测外推展示
上面的对比图衡量的是“模型拟合历史数据”的能力，但大作业题目说的是“预测”，所以你还得展示模型确实能预测未来。常见做法是取测试集最后 time_step 天数据作为输入，让模型预测下一个 7 天的气温，然后把预测结果接在历史曲线后面画出来。
# 取数据集最后 time_step 天作为模型输入 last_sequence = scaled_data[-time_step:].reshape(1, time_step, 1) # 预测未来 7 天 future_pred = model.predict(last_sequence) future_temp = scaler.inverse_transform(future_pred)[0] # 把历史真实气温的末尾 30 天和未来 7 天预测值接在一起画 history_temp = temp_values[-30:].flatten() forecast_range = np.arange(len(history_temp), len(history_temp) + len(future_temp)) plt.figure(figsize=(12, 5)) plt.plot(range(len(history_temp)), history_temp, label='历史气温', linewidth=1.8) plt.plot(forecast_range, future_temp, label='未来 7 天预测', linewidth=1.8, linestyle='--', marker='o') plt.axvline(x=len(history_temp) - 1, color='gray', linestyle=':', alpha=0.7) plt.legend() plt.title('未来 7 天气温预测外推') plt.xlabel('天数') plt.ylabel('气温（℃）') plt.grid(alpha=0.3) plt.tight_layout() plt.savefig('future_forecast.png', dpi=200) plt.show()画外推图时要注意一个问题：模型是拿“过去 30 天”预测“未来 7 天”，但预测完 7 天之后，如果还想预测更远的未来，就需要把预测值当作已知数据重新拼接进输入序列，再预测下一个 7 天——这叫递归预测，误差会逐日累积，预测的置信度也会越来越低。如果答辩时被问到“你能预测多久”，回答“短期 7 天可信，超过 30 天误差会显著增大”是最诚实的说法。
4.4 画图避坑：中文乱码与图像清晰度
Matplotlib 默认字体不包含中文字符，不加处理直接写plt.title('真实气温')，出来的图全是方框。两种解决方案：一是设置中文字体，二是把图表里的所有文字改成英文。对大作业来说，直接改成英文是最省事的做法，但如果你想展示中文图表更贴近老师阅卷习惯，可以用下面的代码指定系统里已有的中文字体。
plt.rcParams['font.sans-serif'] = ['SimHei'] # Windows 黑体 plt.rcParams['axes.unicode_minus'] = False # 解决负号显示为方块的问题另外，所有plt.savefig()建议都加上dpi=200或者更高。很多同学提交的报告里图片模糊到完全看不清曲线趋势，就是因为用了默认 dpi=100 甚至更低的画质。这属于典型的不费脑但拉好感的小细节，一份 30 页的报告里十几张清晰的大图，光看视觉效果就已经赢了一半。
5. 踩坑记录：LSTM 气温预测的 5 个高频翻车现场
5.1 预测曲线总比真实曲线“慢半拍”，看起来像平移了一样
现象：把预测值和真实值画在一张图里，发现预测曲线的每个波峰波谷都比真实曲线晚了一两天，整体走势完全错位。原因：这是 LSTM 做时间序列预测最经典的“滞后现象”。本质是模型的 loss 函数在优化时倾向于“复制上一个时间步的值”，因为气温日与日之间存在惯性，直接复制昨天的值已经能获得很低的 loss。time_step 太短、模型结构太简单、数据噪声大，都会加重这种滞后。解决：先增加 time_step（从 30 提到 90），同时加入 Dropout 让模型不能过度依赖近邻时间步；如果滞后仍然明显，可以把训练 loss 改成 MAE 而不是 MSE，MAE 对异常值更鲁棒，能稍微缓解这种惯性。
5.2 训练到一半 loss 变成 NaN，模型直接废了
现象：前几个 epoch 正常，某一步开始 loss 直接变成 nan，然后一路 nan 到底。原因：最常见的是数据里有 NaN 没处理，或者 learning_rate 太大导致梯度爆炸。另一个容易被忽视的原因是归一化时数据里有极端异常值，比如某一天气温记录为 999（传感器故障），MinMaxScaler 会把正常数据压缩到极窄的区间，梯度计算随之失控。解决：训练之前打印df.isnull().sum()和df.describe()，检查异常值；如果确认没有数据问题，则把model.compile的 learning_rate 从 0.001 降到 0.0001 再试。
5.3 归一化之后预测结果反归一化失败或者图形乱掉
现象：scaler.inverse_transform(predicted)报 shape 错误，或者不报错但画出来的预测值范围完全不对（比如气温变成 0~1 的小数）。原因：MinMaxScaler 在 fit 的时候接收的是(N, 1)形状的数据，但在inverse_transform时传入的predicted形状是(N, 7)——因为你的 Dense 层输出 7 个值，scaler 是在单变量上 fit 的，它不知道如何把一个样本的 7 个预测值映射回原始量纲。解决：这是最常见的模型设计问题——用单变量 scaler 去反归一化多步预测结果。一个可行方案是训练时把y也做逐列的 scaler 处理，但更简单的做法是改用一个支持多输出形状的 scaler，或者将 predicted 的每一列分别做 inverse_transform。
5.4 模型在训练集上 loss 很低，测试集上一塌糊涂
现象：训练集的拟合曲线几乎完美贴合真实值，但在测试集（未来数据）上，预测曲线要么是一条水平的直线，要么波动幅度远比实际小。原因：这是典型的过拟合并叠加了分布漂移。如果你的数据跨了多个年份，模型可能把“今年上半年”的表象特征当成了固定规律；而气温本身存在年际差异，测试集年份的平均气温可能整体比训练集偏高或偏低。解决：检查训练集和测试集的时间分布是否均衡，尽量让训练集包含至少 2~3 个完整年份（覆盖完整的春夏秋冬）；如果数据不够，可以改用前 90% 做训练、后 10% 做测试，而不是 8:2。
5.5 每次跑出来的结果都不一样，是不是代码写错了
现象：同一个模型、同一份数据，连续跑两次，预测曲线不完全一样，甚至 loss 曲线也有差异。原因：不是代码写错了。LSTM 的权重初始化是随机的，训练时 dropout 也会引入随机性，模型本身是“非确定性”的。这在学术上完全正常，但在大作业里会出现一个尴尬场景——老师在你的笔记本上看你当面运行一次，结果和你报告里贴的图不一样。解决：在代码开头加np.random.seed(42)和tf.random.set_seed(42)，固定随机种子。这是答辩演示必备的一行代码，它保证了你的结果可复现，报告里的图和现场跑出来的图完全一致。
提示：固定随机种子只对单线程运行有效。如果你在训练时开了 GPU 并启用了 TF32 精度，仍然可能存在微小误差。对课程大作业来说，固定 CPU 随机种子已经足够，不必深究。
6. 从“能跑”到“高分”：三个进阶技巧与答辩亮点设计
如果你的项目现在只停留在“模型能跑、图能画”的阶段，那它只能拿到及格分。想把分数往上提一个档次，不需要重新写代码，只需要做三件低成本的事。
第一个技巧是加一个多变量输入对比实验。原始数据里通常不止气温一列，还有湿度、风速、气压。你可以做一个“只用气温”和“气温+湿度+风速”两个模型的对比实验，把两者的测试集 loss 画在一张柱状图里。因为多变量输入给了 LSTM 更多判别信息，后者的预测误差通常明显更小，这一页 PPT 就是你整份报告里最有说服力的亮点。
第二个技巧是做 time_step 的敏感性分析。分别用 time_step=7、30、90、180 训练四个模型，画出各自的 loss 曲线或预测误差对比表。你会发现 time_step=7 时模型几乎学不到跨季节规律，time_step=180 时训练时间变长但精度趋于平缓——这个“边际收益递减”的结论，放在任何答辩现场都是加分项。
第三个技巧是误差分析的可视化。不要只画“真实 vs 预测”的曲线，再补一张预测误差（残差）的分布直方图，或者按月份分组统计每个月的平均绝对误差（MAE）。通常夏冬两季的误差明显大于春秋两季，原因是夏季极端高温和冬季寒潮的波动幅度大，模型难以捕捉。这句话只要你有图有数据地讲出来，就证明你不是在背代码，而是真的在思考模型的行为。
按我这些年做课程设计和带新人的习惯，最后一步一定会做“全流程重跑验证”：新建一个干净的 Python 环境，只装 requirements.txt 里的依赖，从python train.py开始，确认每一步都无报错跑通。很多人的代码在自己的环境里能跑，换个机器就各种缺包、路径错误，期末周老师让你现场演示时翻车，基本都栽在这种地方。这个习惯救过我很多次，希望帮到你。
本文还有配套的精品资源，点击获取
