简介：这是一份面向Python开发者、深度学习初学者及气象数据爱好者的实战项目资源，围绕LSTM长短期记忆网络实现气温预测与可视化，可作为毕业设计、课程设计或算法练手参考。压缩包共16个文件，约721KB，以8个py源码文件为核心，辅以4个pyc编译文件、2个xlsx数据集和2份md说明文档，涵盖数据爬取、预处理、模型构建、训练评估到结果可视化的完整链路。项目通过bs4从中国天气网抓取北京、上海、广州、郑州四城多年气温数据，将过去5天特征输入LSTM预测次日温度，并借助Keras调参优化，最终以图表呈现预测效果。已有281人学习，配套文档与注释较为丰富，便于新手理解时间序列建模思路、循环神经网络输入维度设计及可视化分析方法，适合希望快速上手LSTM气温预测的读者参考。
1. 从一份气温预测源码说起：LSTM 到底能解决什么
打开这份「基于 LSTM 的气温预测及可视化」的 Python 源码包，你最先看到的不是模型，而是一堆按日期排列的温度记录。这正是时间序列预测最真实的样子：没有花哨的特征工程，只有一条随时间波动的曲线，而任务就是让模型学会这条曲线的脾气，然后往后推几天。LSTM 之所以常被拿来干这件事，是因为它天生带记忆门控，能记住「上周降温后这周往往回暖」这类跨天依赖，而普通全连接网络只能看到当前这一帧。对做气象数据分析、农业估产、能耗调度的从业者来说，这套东西的价值在于：它把「看历史猜未来」变成了可复现的代码流程，而不是靠经验拍脑袋。新手能顺着它跑通第一个时序模型，熟手则能借它验证自己的特征和调参思路。这一篇就按源码包的实际结构，把数据、模型、训练、可视化四段拆开讲透，顺带把 LSTM 时间序列预测 Python 里最容易翻车的地方标出来。
2. 数据准备与序列构造：气温预测的第一道坎
2.1 气温数据长什么样，先做三件事
拿到气温数据，别急着往模型里灌。我一般先做三件事：看时间跨度、查缺失值、画一眼原始曲线。气温序列通常按天或按小时记录，字段可能叫date、temp、temperature，不同来源命名不统一，得先统一成ds（时间）和y（温度）两列。缺失值在气象数据里很常见，传感器掉线、整点漏采都会留下空洞。直接dropna()会打断时间连续性，LSTM 对等间隔序列更友好，所以常见做法是用线性插值补上，再检查补出来的值有没有超出物理合理范围。
import pandas as pd import numpy as np # 读取原始气温数据，假设字段为 date 和 temp df = pd.read_csv("temperature.csv", parse_dates=["date"]) df = df.rename(columns={"date": "ds", "temp": "y"}).sort_values("ds") # 统一为按天频率，缺失处先标记再插值 df = df.set_index("ds").asfreq("D") print("缺失数量：", df["y"].isna().sum()) # 线性插值补缺，前后各留一个边界值兜底 df["y"] = df["y"].interpolate(method="linear", limit_direction="both") # 简单异常值处理：超出 -60~60 摄氏度的视为记录错误 df.loc[(df["y"] < -60) | (df["y"] > 60), "y"] = np.nan df["y"] = df["y"].interpolate(method="linear", limit_direction="both")这段代码的逻辑是：先把时间设成索引并强制按天对齐，asfreq("D")会把缺失日期显式暴露出来，而不是悄悄跳过。插值用线性方法，是因为气温短缺口内近似线性变化，比均值填充更贴近真实。异常值阈值设成 -60 到 60，是给极端记录留余地，同时挡掉明显的手误。参数上，limit_direction="both"保证序列开头和结尾的缺口也能补上，否则训练时会出现 NaN 导致报错。
2.2 用滑动窗口把序列切成监督学习样本
LSTM 吃的是「过去 N 天 → 未来 M 天」这样的样本对。窗口长度look_back决定模型能看多远，预测长度look_forward决定一次输出几天。气温有强日周期和年周期，look_back太短学不到趋势，太长则训练慢且容易过拟合。我一般从 7 天或 14 天起步，先跑通再调。
def make_sequences(values, look_back=14, look_forward=1): X, y = [], [] for i in range(len(values) - look_back - look_forward + 1): X.append(values[i : i + look_back]) y.append(values[i + look_back : i + look_back + look_forward]) return np.array(X), np.array(y) look_back, look_forward = 14, 1 X, y = make_sequences(df["y"].values, look_back, look_forward) print("样本形状：", X.shape, y.shape) # 例如 (n, 14) 和 (n, 1)这里X的每一行是连续 14 天的温度，y是紧接着的第 15 天。look_forward=1表示单步预测，改成 3 就是一次预测未来三天。注意循环上界要减去look_back + look_forward再减一，否则最后几个样本会越界。切完之后必须按时间顺序划分训练集和测试集，不能随机打乱，否则等于用未来数据预测过去，指标会好看得离谱，上线就崩。
2.3 归一化与反归一化：别让量纲毁了训练
温度数值本身不大，但不同地区可能一个在 -20 到 40，一个在 10 到 35。归一化到 [0,1] 能让梯度更稳。关键是反归一化要一一对应，训练时用训练集的最大最小值，预测后要用同一组参数还原，否则可视化出来的曲线会整体偏移。
from sklearn.preprocessing import MinMaxScaler scaler = MinMaxScaler(feature_range=(0, 1)) scaled = scaler.fit_transform(df["y"].values.reshape(-1, 1)).flatten() # 划分训练/测试，保持时间顺序 split = int(len(scaled) * 0.8) train, test = scaled[:split], scaled[split:] # 反归一化示例 def inverse(values): return scaler.inverse_transform(np.array(values).reshape(-1, 1)).flatten()fit_transform只在训练集上做，测试集用transform，这是铁律。很多人图省事对全量数据fit，结果测试集信息泄漏进归一化参数，评估偏乐观。反归一化函数单独抽出来，是为了可视化时直接调用，避免每处都手写 reshape 出错。
3. 搭一个能跑通的 LSTM 模型：层数、维度与训练参数
3.1 用 PyTorch 定义 LSTM 回归网络
这份源码大概率用 PyTorch 或 Keras，两者思路一致。下面用 PyTorch 写一个最小可用版本，输入维度 1，隐藏层 64，输出 1。LSTM 层负责提取时序依赖，最后接一个全连接把隐藏状态映射成温度值。
import torch import torch.nn as nn class TempLSTM(nn.Module): def __init__(self, input_size=1, hidden_size=64, num_layers=2, output_size=1): super().__init__() self.lstm = nn.LSTM( input_size=input_size, hidden_size=hidden_size, num_layers=num_layers, batch_first=True, dropout=0.2, ) self.fc = nn.Linear(hidden_size, output_size) def forward(self, x): # x: (batch, seq_len, input_size) out, _ = self.lstm(x) # 取最后一个时间步的隐藏状态做回归 return self.fc(out[:, -1, :])batch_first=True让输入形状是(batch, seq_len, feature)，符合直觉。num_layers=2加dropout=0.2是常见组合，层数再多在气温这种低维序列上收益有限，反而容易过拟合。out[:, -1, :]取最后一步，是因为 LSTM 已经把整段序列的信息压缩到最终隐藏状态里。如果你的任务是预测未来多天，这里要改成对多个时间步输出，或者用 Seq2Seq 结构。
3.2 训练循环里必须盯住的四个量
训练不是把数据丢进去等 loss 下降就完事。气温预测里我重点看四个量：训练 loss、验证 loss、学习率、以及预测曲线和真实曲线的相位差。前两个判断是否过拟合，学习率决定收敛快慢，相位差则暴露模型是不是只会「滞后复制」。
from torch.utils.data import DataLoader, TensorDataset # 构造张量数据集 X_tensor = torch.tensor(X, dtype=torch.float32).unsqueeze(-1) y_tensor = torch.tensor(y, dtype=torch.float32) train_ds = TensorDataset(X_tensor[:split], y_tensor[:split]) train_loader = DataLoader(train_ds, batch_size=32, shuffle=True) model = TempLSTM() criterion = nn.MSELoss() optimizer = torch.optim.Adam(model.parameters(), lr=1e-3) for epoch in range(50): model.train() total_loss = 0 for xb, yb in train_loader: optimizer.zero_grad() pred = model(xb) loss = criterion(pred, yb) loss.backward() optimizer.step() total_loss += loss.item() if (epoch + 1) % 10 == 0: print(f"Epoch {epoch+1}, Loss {total_loss/len(train_loader):.4f}")batch_size=32在几千条样本上比较稳，太小梯度噪声大，太大收敛慢。lr=1e-3是 Adam 的常用起点，如果 loss 震荡就降到 1e-4。注意shuffle=True只在训练集内部打乱样本顺序，不破坏时间划分。每 10 轮打印一次，方便观察是否早停。如果验证 loss 连续上升而训练 loss 还在降，就该加 dropout 或减层数了。
3.3 评估指标别只看 MSE
MSE 对异常值敏感，气温里偶尔的极端高温会把指标拉偏。我一般同时看 MAE 和 MAPE，MAE 直观反映平均误差多少度，MAPE 看相对误差。更重要的是画图对比，因为指标好不代表曲线形状对。
model.eval() with torch.no_grad(): pred_test = model(X_tensor[split:]).squeeze().numpy() pred_real = inverse(pred_test) true_real = inverse(y_tensor[split:].squeeze().numpy()) mae = np.mean(np.abs(pred_real - true_real)) print(f"测试集 MAE：{mae:.2f} 摄氏度")model.eval()会关闭 dropout，保证预测稳定。torch.no_grad()省显存。反归一化后算 MAE，单位才是摄氏度，直接拿归一化值算没有物理意义。如果 MAE 在 2 度以内，对日尺度气温预测就算可用；超过 5 度，先回去检查窗口长度和数据泄漏。
4. 可视化：把预测曲线和误差讲清楚
4.1 用 Matplotlib 画预测对比图
可视化不是装饰，是排查工具。一张好的对比图能立刻看出模型是滞后、平滑过度还是完全跑偏。基础画法是把真实值和预测值叠在同一张时间轴上，再补一条误差带。
import matplotlib.pyplot as plt plt.figure(figsize=(12, 5)) plt.plot(true_real, label="真实气温", color="#2c7fb8", linewidth=1.5) plt.plot(pred_real, label="LSTM 预测", color="#e6550d", linewidth=1.5, linestyle="--") plt.fill_between( range(len(true_real)), true_real, pred_real, color="gray", alpha=0.2, label="误差带", ) plt.xlabel("测试集天数") plt.ylabel("气温（摄氏度）") plt.legend() plt.title("LSTM 气温预测对比") plt.tight_layout() plt.savefig("prediction.png", dpi=150)fill_between把真实和预测之间的差值涂成灰色，误差大的地方一眼可见。dpi=150保证保存的图在文档里不糊。如果曲线整体滞后一天，说明look_back不够或模型没学到突变；如果预测线过于平滑，可能是 dropout 太大或隐藏层太窄。
4.2 误差分布与滚动指标
单看一条曲线不够，还要看误差随时间的分布。把绝对误差按天画出来，能发现模型在换季时段是不是特别差。
errors = np.abs(true_real - pred_real) plt.figure(figsize=(12, 4)) plt.bar(range(len(errors)), errors, color="#31a354", alpha=0.7) plt.axhline(errors.mean(), color="red", linestyle="--", label=f"平均误差 {errors.mean():.2f}") plt.xlabel("测试集天数") plt.ylabel("绝对误差（摄氏度）") plt.legend() plt.tight_layout() plt.savefig("error_bar.png", dpi=150)红色虚线是平均误差，柱子明显高出的区段就是模型的薄弱环节。常见做法是回到那段数据看有没有寒潮或热浪，如果有，考虑加入天气类型作为额外特征，或者对极端值单独建模。这一步是很多源码包省略的，但恰恰是能不能落地的分水岭。
4.3 可视化大屏场景下的数据接口
如果这套预测要接到可视化大屏上，别直接把 Matplotlib 图片塞进去。大屏通常用 ECharts 或类似前端图表库，需要的是 JSON 格式的时间序列。常见做法是训练完把预测结果导出成[{date, real, pred}, ...]，前端按需渲染。
import json records = [] for i in range(len(true_real)): records.append({ "date": str(df.index[split + i].date()), "real": round(float(true_real[i]), 2), "pred": round(float(pred_real[i]), 2), }) with open("prediction.json", "w", encoding="utf-8") as f: json.dump(records, f, ensure_ascii=False, indent=2)导出时保留日期字段，前端才能对齐时间轴。round到两位小数足够展示，也减小文件体积。如果大屏要实时刷新，就把推理部分封装成函数，定时读最新数据、滑窗预测、推送 JSON，而不是每次重新训练。
5. 避坑与排查：气温预测里最容易翻车的五件事
5.1 现象：测试集指标极好，上线后完全不准
原因：划分数据时随机打乱，或者归一化用了全量数据，导致未来信息泄漏。解决：严格按时间顺序切分，fit只在训练集上做，测试集只transform。检查方法很简单，把测试集整体后移一天再预测，如果指标暴跌，说明之前有泄漏。
5.2 现象：预测曲线整体滞后真实曲线一天
原因：look_back太短，模型只能靠最近值外推；或者损失函数对相位不敏感。解决：把窗口从 7 天加到 14 天甚至 30 天，并在输入里加入日期特征（月份、星期）帮助模型识别周期。滞后严重时，也可以改用差分序列建模，让模型学变化量而不是绝对值。
5.3 现象：训练 loss 一直不降，或者降到某个值就卡住
原因：学习率太大导致震荡，或者输入没有归一化。解决：先把学习率降到 1e-4 试，再确认归一化范围。如果还不行，检查序列构造有没有把 NaN 带进去，NaN 会让 loss 直接变 NaN 而不报错。用np.isnan(X).sum()快速排查。
5.4 现象：换一个地区的数据，模型效果断崖式下降
原因：不同地区气温分布差异大，用 A 地训练的归一化参数直接套 B 地，输入范围对不上。解决：每个地区单独训练归一化器，或者改用对量纲不敏感的标准化（减均值除标准差）。跨地区迁移时，至少要在目标地区数据上微调几轮。
5.5 现象：可视化图里预测线比真实线平滑很多
原因：MSE 损失倾向于输出条件均值，天然会抹平波动；dropout 过大也会让输出保守。解决：换用 MAE 或 Huber 损失，降低 dropout 到 0.1，或者增加隐藏层宽度。如果业务更关心峰值，可以在损失里对高温和低温样本加权。
6. 把单点预测升级成多步滚动预测的一个技巧
单步预测跑通后，真正有用的是未来多天预测。最直接的做法是递归：用预测出的第 15 天拼进输入，再预测第 16 天。但这样误差会累积，几步之后曲线就塌了。我的习惯是改用「直接多输出」：让模型一次吐出未来 3 到 7 天，损失函数对所有步一起算。这样每个预测都直接依赖历史窗口，不依赖上一步的预测值，误差不会滚雪球。
# 直接多输出：look_forward=3 X_multi, y_multi = make_sequences(df["y"].values, look_back=14, look_forward=3) print("多步样本：", X_multi.shape, y_multi.shape) # (n, 14) 和 (n, 3) class MultiStepLSTM(nn.Module): def __init__(self, input_size=1, hidden_size=64, num_layers=2, output_size=3): super().__init__() self.lstm = nn.LSTM(input_size, hidden_size, num_layers, batch_first=True, dropout=0.2) self.fc = nn.Linear(hidden_size, output_size) def forward(self, x): out, _ = self.lstm(x) return self.fc(out[:, -1, :]) # 一次输出未来 3 天output_size改成 3，标签y也变成三维，训练代码几乎不用动。评估时分别算第 1、2、3 天的 MAE，通常第 3 天误差会明显大于第 1 天，这是正常的。如果第 3 天误差爆炸，说明窗口信息不够，加长look_back或加入气压、湿度等外生变量。验证多步效果时，我习惯把预测的第 1 天和真实第 1 天对齐画图，再单独看第 3 天的散点，避免被平均指标骗过去。
这套流程我在几个不同地区的气温数据上跑过，最深的教训是：别在归一化和数据划分上偷懒，这两个地方出的问题，模型结构再花哨也救不回来。另一个习惯是每次改完参数先跑 10 轮看 loss 曲线，确认方向对了再跑满，省得等半天发现是数据错了。希望帮到你。
本文还有配套的精品资源，点击获取
