气温预测机器学习课设全流程：数据清洗、特征工程与模型对比实战

简介：面向Python课程设计与期末大作业的机器学习综合项目，以气温预测与可视化为核心场景，覆盖数据采集、数据探索、特征处理、模型训练、效果评估与结果展示的完整流程，适合需要一份可运行、可讲解高分方案的初学者与进阶学习者。项目实现了三层MLP、LSTM、随机森林、决策树与线性回归五种回归模型，基于真实天气数据集进行系统训练与对比，实验结果表明LSTM在预测准确率和综合表现上最佳，并配套图形化用户界面（GUI）便于直观查看预测结果，操作简单、界面友好。资源包共38个文件，py源码可直接运行，ipynb记录建模与可视化过程，csv与json保存原始及中间气象数据，h5、joblib、pkl保存训练好的模型权重，docx为使用文档，png为效果示意图，整体约12.17MB，目录按功能划分，部署简单、结构清晰。目前已有426人学习下载，除完整代码注释外，还提供全国天气信息爬取、临沧历史天气爬取与数据探索脚本，可快速复现五模型对比实验并理解数据到模型的完整链路，适合课程答辩、期末展示或在此基础上二次扩展。

1. 气温预测这个机器学习课设题：为什么人人都能拿高分

如果你正在为课程设计选题发愁，气温预测是少有的、从数据到答辩都能让你稳住的机器学习方向。它的任务本质很单纯：把历史气温、季节、滞后窗口这些特征喂给模型，预测未来某天的最高气温。数据可以从公开历史气象网站下载，模型有 sklearn 一家就够，图表能一路画成 Pyecharts 的可视化大屏——项目完整、工作量看得见、老师也好提问。这篇笔记按我实际做课设辅导时最常用的路径来写：先讲数据清洗和特征工程，再给三个能直接跑的回归模型，然后谈可视化和一套六条踩坑记录。无论你是刚装完 Python 还分不清 DataFrame 的新手，还是想让课设从“能跑”变得“能讲”的准毕业生，照着下面章节做，都能交出一份解释得清的源码与文档。

2. 从 CSV 到特征矩阵：气温预测的数据清洗和特征工程怎么做

课程设计里大部分人第一步就栽在数据上：下载下来的气温表要么是 GBK 编码读不出来，要么日期变成字符串，要么某几天气温是空值。这一章我把从原始 CSV 到 sklearn 能吃的特征矩阵全流程拆开，每一步都给出能直接跑的代码。你在网上搜“机器学习中的数据处理是什么”时看到的抽象名词，在这里全部落到具体操作上。

2.1 数据从哪来：历史天气 CSV 的常见字段和编码

常见做法是去历史天气网站按城市、按月手工导出。这类站点导出的 CSV 一般包含这些列：日期、最高温度、最低温度、天气、风向、风力。字段名可能叫“最高温度”也可能叫“最高气温”，下载后用 Excel 打开确认一眼最稳妥。

这里有个隐藏坑：这类网站的中文页面大多按 GBK/GB2312 编码输出，而 pandas 的read_csv默认按 UTF-8 读，一读就报UnicodeDecodeError。解决办法是显式指定编码，或者直接用gb18030这种兼容更广的编码兜底。

import pandas as pd # 从历史天气网站导出的 CSV，中文列名 + GBK 编码是常态 # 先试 gbk，报错就换 gb18030，再不行就用 errors="ignore" 先看看结构 df = pd.read_csv("weather_data.csv", encoding="gbk") print(df.head()) print(df.dtypes)

代码逻辑说明：第一行用gbk编码读取，是最常见的情况；print(df.dtypes)用来确认“日期”“最高温度”这些字段是不是被读成了字符串。如果这里的日期列是object类型，后面 2.2 节就必须做转换；如果最高温度是“-3℃”这种带符号的字符串，后面也得先用正则把单位和符号剥掉。

参数说明：encoding参数在 Windows 上导出文件时经常需要设成gbk；把gbk改成gb18030可以覆盖到极少数生僻字，这是我在 macOS 上读同一份文件时常用的后备方案。不要迷信utf-8，课程设计里最省时间的办法就是两种编码都试一遍。

2.2 清洗气温数据：日期解析、缺失值、异常值

拿到原始表之后，我的固定顺序是：日期转时间索引、数值列去单位、缺失值填充、异常值肉眼确认。你后面画图、切分训练集、做滞后特征，全部依赖这几步的正确性，顺序错了后面全是脏数据。

import pandas as pd import numpy as np df = pd.read_csv("weather_data.csv", encoding="gbk") # 1. 日期列转成 pandas 的时间类型，并排成时间顺序 df["日期"] = pd.to_datetime(df["日期"], format="%Y-%m-%d") df = df.sort_values("日期").set_index("日期") # 2. 把 "8℃" 这类带单位的字符串变成纯数字 df["最高温度"] = df["最高温度"].astype(str).str.replace("℃", "").astype(float) df["最低温度"] = pd.to_numeric(df["最低温度"], errors="coerce") # 3. 缺失值：最低温用前向填充，最高温用线性插值，两端边界也补上 df["最低温度"] = df["最低温度"].ffill() df["最高温度"] = df["最高温度"].interpolate(limit_direction="both") # 4. 异常值排查：相邻两天最高温差超过 15℃，先画出来看再决定删不删 df["temp_diff"] = df["最高温度"].diff().abs() print(df.loc[df["temp_diff"] > 15, ["最高温度", "temp_diff"]])

代码逻辑说明：sort_values("日期")必须放在set_index之前，否则后面所有滞后特征和画图都会因为顺序错乱而出现锯齿线。astype(str).str.replace这一步是清理“℃”符号的通用做法，删掉这行，后面模型全部报could not convert string to float。最低温用ffill()是因为气温是连续时间序列，前一天的值是最近最合理的估计；最高温用interpolate(limit_direction="both")是应对连续两三天缺失的情况，在两端补上边界值，避免前向填充后测试集里仍然带 NaN。

使用注意：这里temp_diff是排查用的临时列，确认完异常值之后要在建模前删掉；如果发现某天最高温从 5℃ 猛跳到 28℃，大概率是站点维护或者人工录入错误，直接把这行剔除比强行填充更合理。此外，不要用平均值填气温缺失——气温有强季节性，均值填充会把冬季和夏季的特征糊在一起。

2.3 特征工程：滞后项、星期、滑动窗口

很多课设拿到 80 分但没到满分，差就差在特征上。如果你只把“前一天温度”丢进模型，那本质上是在做一个最朴素的持久性预测；加上月、日、星期、滑动窗口这些特征后，模型才真正开始“学习”气温变化的规律。

# 基于 2.2 清洗完的 df，构造特征列 df["最高温度_滞后1天"] = df["最高温度"].shift(1) df["最高温度_滞后7天"] = df["最高温度"].shift(7) # 时间循环特征：月、日、星期会在后续可视化里也用到 df["月"] = df.index.month df["日"] = df.index.day df["星期"] = df.index.dayofweek # 0 代表周一，6 代表周日 # 滑动窗口：近 3 天和近 7 天的历史最高温均值 df["最高温度_近3日均值"] = df["最高温度"].rolling(3).mean() df["最高温度_近7日均值"] = df["最高温度"].rolling(7).mean() # 删除造特征期间产生的空行，时间序列建模必须在特征构造完成后再 dropna df = df.dropna() print(df.tail())

代码逻辑说明：shift(1)是把这一列整体下移一行，让模型看到“昨天的温度”；shift(7)对应的是一周前的温度。为什么要这两个滞后项？因为气温同时受“惯性”和“季节周期”控制：今天温度大概率接近昨天，但也大概率接近去年今天或一周前同一季节的水平。rolling(3).mean()是三天滑动平均，用来平滑寒潮或暖流带来的突跳。

参数说明：shift的天数不是越大越好，滞后 1 天和滞后 7 天是气象时间序列里性价比最高的两个窗口，再往上加滞后 30 天会和月特征高度重复，造成特征冗余。rolling窗口大小同理，3 天和 7 天是常见默认值；如果数据量只有一年，建议只保留近3日均值，7 天窗口会让前 6 行全部变成 NaN。

这一阶段的目标是把原始的三四列变成模型能直接消费的 8 列左右，特征矩阵和预测目标的对应关系保持在“用当天之前的信息预测当天的最高温”，这一点务必记牢，后面第 5 章的数据泄漏坑全靠这个原则来避。

3. 三个机器学习模型跑通气温预测：线性回归、决策树与随机森林

数据就绪后，接下来就是模型环节。我一般会让课设方案里至少出现三个模型：一个线性基线、一个非线性基线、一个集成模型。这样模型对比表才写得满，答辩时老师问“你为什么用这个模型”你也有得讲。本章所有代码都只依赖 sklearn，不需要额外装任何深度学习框架。

3.1 回归任务的评价指标：MAE、RMSE、R² 怎么解释

气温预测是回归问题，不是分类问题，“准确率”这个概念在这里不成立。你要预测的是一个连续温度值，模型不可能每次都跟真实值完全一致，所以课程设计里主要用下面三个指标来衡量好坏：

答辩时最怕的就是只丢出一句“随机森林正确率 90%”——这是典型的外行话。温度预测里 RMSE 2.5℃ 和 3.2℃ 看着差别不大，但在寒潮天气里，差 0.7℃ 就可能预示着模型对极端值的捕捉能力完全不同。所以我在课设文档里一般会强调：MAE 是“日常表现”，RMSE 是“极端表现”，R² 是“整体解释力”，三个指标要一起看。

3.2 第一个基线：线性回归 5 行代码出结果

线性回归在气温预测里通常表现不差，因为气温和滞后温度之间本身就近似线性关系。它在这里的作用是当基线：后面随机森林如果比线性回归提升不到 5%，那说明问题出在特征上，而不是模型复杂度上。

from sklearn.linear_model import LinearRegression from sklearn.metrics import mean_absolute_error, mean_squared_error, r2_score import numpy as np # 特征列必须和 2.3 节构造的列名完全一致 feature_cols = ["最高温度_滞后1天", "最高温度_滞后7天", "月", "日", "星期", "最高温度_近3日均值", "最高温度_近7日均值"] X = df[feature_cols].values y = df["最高温度"].values # 时间序列必须按顺序切分，前 80% 训练，后 20% 测试 split = int(len(X) * 0.8) X_train, X_test = X[:split], X[split:] y_train, y_test = y[:split], y[split:] model = LinearRegression() model.fit(X_train, y_train) y_pred = model.predict(X_test) rmse = float(np.sqrt(mean_squared_error(y_test, y_pred))) print("LinearRegression RMSE:", round(rmse, 2)) print("R2:", round(r2_score(y_test, y_pred), 3))

代码逻辑说明：X = df[feature_cols].values把 DataFrame 转成 numpy 二维数组，sklearn 对 pandas DataFrame 也能直接处理，但转成 values 可以减少版本兼容性问题。split = int(len(X) * 0.8)是按时间顺序硬切分，第 5 章会详细讲，如果这里用train_test_split默认打乱切分，模型会把未来数据塞进训练集，R² 会虚高到 0.9 以上，答辩一问就穿帮。

参数说明：线性回归几乎没有需要调的参数，默认值即可。真正要关注的是切分比例：数据量 700 行左右时，0.8/0.2是课设里最常用的比例；如果数据只有 300 行，建议改成0.75/0.25，测试集至少要有 50 个样本，否则评估指标波动极大。

3.3 上非线性：决策树和随机森林的参数怎么调

决策树在这个场景里几乎必然过拟合：不去限制树的深度，树会为训练集里每个样本单独长出一个叶子节点，测试集上一塌糊涂。所以决策树我只用来做“过拟合演示”，真正交给老师的模型是随机森林，相关热搜词里“机器学习模型”和“机器学习检测”指向的也都是这类树模型集成。

from sklearn.tree import DecisionTreeRegressor from sklearn.ensemble import RandomForestRegressor # 决策树：故意不剪枝，让它在训练集上疯狂生长 dt = DecisionTreeRegressor(random_state=42) dt.fit(X_train, y_train) dt_pred = dt.predict(X_test) dt_rmse = float(np.sqrt(mean_squared_error(y_test, dt_pred))) print("DecisionTree RMSE:", round(dt_rmse, 2)) # 随机森林：限制树深度和叶子大小，是能交作业的配置 rf = RandomForestRegressor( n_estimators=200, max_depth=8, min_samples_leaf=5, random_state=42 ) rf.fit(X_train, y_train) rf_pred = rf.predict(X_test) rf_rmse = float(np.sqrt(mean_squared_error(y_test, rf_pred))) print("RandomForest RMSE:", round(rf_rmse, 2)) print("RandomForest R2:", round(r2_score(y_test, rf_pred), 3))

代码逻辑说明：DecisionTreeRegressor(random_state=42)不设任何限制，它会在训练集上构造出一棵极深树，RMSE 肉眼可见地变差，这段代码的作用是让文档里的对比表多一个“反例”。RandomForestRegressor的n_estimators=200表示 200 棵树，max_depth=8限制每棵树最多 8 层，min_samples_leaf=5让每个叶子节点至少包含 5 个样本，这是防止随机森林过拟合的三板斧。

参数说明：n_estimators从 100 加到 200 对精度提升很小，但训练时间翻倍，课设数据量下 200 是甜点值；max_depth建议从 5 到 15 逐个试一轮，气温预测里 8 是常见拐点——低于 8 欠拟合，高于 15 开始过拟合；min_samples_leaf在数据量小时千万别设成 1，设成 5 左右模型会平滑很多。这三个参数足够答辩时解释十分钟，不要再往上堆参数了。

3.4 三模型对比：结果表与结论句怎么写

跑完三个模型后，把结果整理成表格贴进使用文档，配上两三句分析，这个项目的“机器学习”部分就算完整了。下面表格的数字是示意值，务必拿你自己跑出来的结果替换，不要照抄。

结论句切忌只写“随机森林最好”。我一般会补一段：“气温受昨天温度、季节周期、连续几日冷暖空气共同影响，随机森林能自动组合这些特征并做非线性切分，而线性回归只能对它们做线性加权，因此在寒潮这种非线性波动下随机森林表现更好。”这段话背下来，答辩时直接就是满分回答。

如果还想再加分，可以补一个 XGBoost 的对比，但要注意 xgboost 库需要额外pip install xgboost，而且它的可解释性和树模型一致，效果通常和随机森林接近，课设里不是必需品。

4. 可视化从静态到大屏：用 Matplotlib、Seaborn 和 Pyecharts 讲清预测结果

“气温预测和可视化”这个课设题，可视化部分占的分数比你想的大。老师看代码的时间不超过五分钟，看图的时间反而是最长的。我的经验是准备两层图：第一层是 Matplotlib/Seaborn 的静态图，放进文档和答辩 PPT；第二层是 Pyecharts 的交互式图表，打开就是可视化大屏效果，现场演示用。

4.1 真实值 vs 预测值折线图：横轴密度怎么控制

最核心的一张图是把测试集里真实最高温和预测最高温画在一起。新手最容易翻车的就是 x 轴日期全部堆在一起变成一条黑带，网上搜“python画图横坐标太密集”能搜出一堆同款，解决办法是控制刻度显示密度。

import matplotlib.pyplot as plt import matplotlib.dates as mdates # Windows 常见中文字体是 SimHei，macOS 用 Arial Unicode MS，按自己环境改 plt.rcParams["font.sans-serif"] = ["SimHei"] plt.rcParams["axes.unicode_minus"] = False # 测试集对应的日期范围，df 已经在 2.2 节设成时间索引 test_date = df.index[split:] plt.figure(figsize=(12, 5)) plt.plot(test_date[:50], y_test[:50], label="真实值", marker="o", markersize=3) plt.plot(test_date[:50], rf_pred[:50], label="随机森林预测", marker="x", markersize=3) # 关键参数：每 5 天显示一个刻度，旋转标签防止重叠 plt.gca().xaxis.set_major_locator(mdates.DayLocator(interval=5)) plt.gcf().autofmt_xdate() plt.xlabel("日期") plt.ylabel("最高气温（℃）") plt.title("近 50 天最高气温预测效果") plt.legend() plt.grid(alpha=0.3) plt.savefig("predict_compare.png", dpi=150, bbox_inches="tight")

代码逻辑说明：test_date[:50]只画最近 50 天，而不是全量测试集，原因是全量画出来数据点叠在一起，答辩 PPT 上根本看不清。mdates.DayLocator(interval=5)强制每 5 天显示一个日期标签，这是解决“横坐标太密集”的核心一行。plt.gcf().autofmt_xdate()自动把日期标签旋转 30 度，进一步避免互相遮挡。

参数说明：interval=5是常见值，如果你的图只画 30 天，改成interval=3更合适；dpi=150保证放进 Word 文档后不模糊；bbox_inches="tight"会把保存图片四周多余空白裁掉，不然 x 轴标签经常被截掉一半。marker="o"和marker="x"分别用圆点和叉号区分两条线，不推荐用两条同颜色虚线，打印出来完全分不清。

4.2 用特征重要性和残差图给模型“解释权”

老师最爱问“哪些特征最影响气温”“模型什么时候会失灵”，这两个问题分别由特征重要性图和残差图回答。哪怕你不懂随机森林内部细节，这两张图也能让你在答辩现场言之有物。

import seaborn as sns # 随机森林自带特征重要性接口，直接取出并排序 fi = pd.Series(rf.feature_importances_, index=feature_cols).sort_values() fi.plot.barh(title="特征重要性（随机森林）") plt.tight_layout() plt.savefig("feature_importance.png", dpi=150) # 残差 = 真实值 - 预测值，画分布看模型偏向 residual = y_test - rf_pred plt.figure(figsize=(10, 4)) sns.histplot(residual, kde=True) plt.xlabel("预测误差（℃）") plt.title("残差分布：负值代表预测偏高，正值代表预测偏低") plt.savefig("residual.png", dpi=150)

代码逻辑说明：fi.plot.barh()画的是水平条形图，特征重要性会从下往上从小到大排列，最上面一行就是最重要的特征。气温预测里通常“滞后 1 天”和“近 3 日均值”排最前，这说明温度的最强预测因子是近期温度惯性。sns.histplot(residual, kde=True)画残差直方图，如果分布中心接近 0 且大致对称，说明模型没有系统性偏差；如果中心偏正或拖出长尾，说明模型在极端低温场景下系统性失灵。

参数说明：rf.feature_importances_是训练后自动算好的属性，取值 0 到 1，不需要额外配置。残差图的kde=True会叠加一条平滑密度曲线，目的是让分布形状更直观，如果你的 seaborn 版本没有这个参数，直接去掉即可。

4.3 Pyecharts 版可视化大屏：课设展示的加分项

静态图进文档，交互图做现场演示。Pyecharts 是 ECharts 的 Python 封装，生成的是一个独立 HTML 文件，双击就能打开，完全不需要起 Web 服务。我这边的经验是选 2 到 3 张图拼在一起，一张真实预测对比折线图、一张温度月度分布柱状图、一张特征重要性图，做成像可视化大屏的仪表盘效果，展示时非常有说服力。

from pyecharts import options as opts from pyecharts.charts import Line # 把测试集日期转成字符串列表，pyecharts 才能正确处理时间轴 x_data = [str(d.date()) for d in test_date[:90]] y_real = [round(v, 1) for v in y_test[:90]] y_pred = [round(v, 1) for v in rf_pred[:90]] line = ( Line(init_opts=opts.InitOpts(width="1200px", height="500px")) .add_xaxis(x_data) .add_yaxis("真实气温", y_real, is_smooth=True, label_opts=opts.LabelOpts(is_show=False)) .add_yaxis("预测气温", y_pred, is_smooth=True, label_opts=opts.LabelOpts(is_show=False)) .set_global_opts( title_opts=opts.TitleOpts(title="历史气温与机器学习预测对比"), tooltip_opts=opts.TooltipOpts(trigger="axis"), legend_opts=opts.LegendOpts(pos_top="5%"), ) ) line.render("temperature_dashboard.html") print("已生成 HTML 文件，双击 temperature_dashboard.html 打开")

代码逻辑说明：list(str(d.date()) for d in test_date[:90])这行很容易漏，pyecharts 的 x 轴如果传 pandas Timestamp 对象会渲染成纯数字，必须转成"2023-07-01"格式。label_opts=opts.LabelOpts(is_show=False)是必加项，不关掉的话图上 90 个数据点会把数值标签全部堆在折线上，密密麻麻没法看。trigger="axis"让鼠标悬停时同时显示真实值和预测值两个数据。

参数说明：width="1200px", height="500px"控制输出画布尺寸，放 PPT 里建议 16:9；is_smooth=True把折线画成曲线，视觉上更美观；pos_top="5%"保证图例不压住标题。如果你想让图表更贴近可视化大屏，可以再加一个Grid把折线图和柱状图上下拼接，但课设时间紧张，一张高质量折线图足够撑场。

5. 气温预测课设最容易翻车的 6 个坑：现象、原因、解决

这个课设计从数据到答辩环节的坑，我按出现频率从高到低列了六条。每条都按“现象、原因、解决”展开，前面章节里写的正确做法，在这里对应它的反面和翻车现场。

5.1 打开 Pyecharts 生成的文件一片空白

现象：render()正常输出 HTML，文件名也在，但双击打开后图表区域是空白的，控制台还报一堆 JS 错误。原因：Pyecharts 1.x 和 2.x 的导入路径完全不同，旧教程里常见的from pyecharts import Bar在新版本已经失效；另外file://协议下部分浏览器对本地 JS 资源的加载有限制。解决：确认pip list里 pyecharts 是 2.x 版本，并统一用from pyecharts.charts import Line的新式导入；换用 Chrome 打开而不是某些默认浏览器；实在不行把 HTML 文件和 python 脚本放在同一个目录再打开，多数白屏问题能消失。

5.2 预测 R² 高达 0.98，老师一追问就穿帮

现象：切分数据后随机森林 R² 接近 1.0，看起来完美，但画图发现预测值和真实值几乎完全重合。原因：八成是用了train_test_split(X, y, test_size=0.2, shuffle=True)默认打乱切分，把未来日期的数据放进了训练集，模型学会了“背答案”；还有一种可能是特征里混进了当天的天气现象，相当于把答案提前给了模型。解决：把切分方式改成X[:split]/X[split:]按时间顺序硬切，并写一个自查逻辑：检查所有特征列是否都来自目标日期之前。时间序列建模的铁律是训练集永远只能是测试集之前的数据。

提示：特征矩阵里的“月”“日”这些时间属性不是泄漏，因为它们和目标当天气温不算未来信息；但“当天天气”“当天风力等级”这种只能在当天知道的观测值，放进特征就是泄漏。

5.3 中文乱码和负号变方块

现象：图上标题、坐标轴中文全部变成小方块，温度负号变成一个粗横线。原因：Matplotlib 默认字体里没有中文字符，axes.unicode_minus配置没打开还会把负号渲染成异常符号。解决：在画图代码最前面加两行固定配置：plt.rcParams["font.sans-serif"] = ["SimHei"]和plt.rcParams["axes.unicode_minus"] = False。如果你用的是 macOS，把SimHei换成Arial Unicode MS；Linux 上没有中文字体的话，先fc-list :lang=zh查一下系统里有什么，再填对应的字体名。

5.4 横坐标日期乱序，折线图走迷宫

现象：画出的折线图弯弯曲曲，像一根打结的绳子，日期也没有按时间先后排。原因：原始 CSV 的日期本来就是乱序的，或者你只做了pd.to_datetime但没有sort_values。解决：回到 2.2 节，pd.to_datetime之后立刻执行df = df.sort_values("日期")，后续所有操作都在这之后进行。如果数据是按时间降序排列的，记得加ascending=True重新升序。画图前再执行一次df.sort_index()兜底，成本几乎为零。

5.5 代码能跑，但文档里没有“为什么”

现象：使用文档里写了运行步骤，但老师一看模型部分就问“为什么用随机森林不用线性回归”“这两个模型有什么区别”，学生答不上来。原因：把课设当成了写代码任务，忽略了它本质上是一次“小论文答辩”。解决：文档里必须有三样东西：模型对比表格、特征重要性图、残差分布图，每个图后面配两到三句解释。不要觉得这些话是废话，答辩时你嘴里说出来的就是这些句子的口语化版本。解释不通的时候就用“随机森林能捕捉非线性关系”这句话兜底。

5.6 压缩包里只有代码文件，没有依赖清单

现象：答辩前老师想在自己电脑上复现，结果运行时报ModuleNotFoundError: No module named 'seaborn'。原因：你在自己环境里装过这些包，但没告诉老师项目依赖了什么。解决：随手生成一份requirements.txt，在项目根目录执行pip freeze > requirements.txt，然后把 Python 版本、各库版本、数据集来源写进 README。这份文件的成本大约三分钟，但它决定了老师会不会把你的项目当作“能复现的完整工程”来打分。

6. 从能跑到满分：答辩前把回测升级成真预测

到这里项目能跑、图能看、坑也避得差不多了，但想要冲击“满分”，还差最关键的临门一脚：把对测试集的“回测”升级成对未来的“真预测”。我见过太多课设止步于“模型在历史数据上效果很好”，老师一句“那你预测一下明天几度”就当场卡壳。下面这步升级，是区分 85 分和 95 分的关键，也是这篇笔记最后的干货。

升级的核心是做一个滚动窗口接口：用当前已有数据的最后一天作为起点，构造出“明天”的特征向量，喂给训练好的模型，输出一个真实的气温预测值。因为“最高温度_滞后1天”的取值就是今天的气温，所以你只需把今天的真实值或观测值填进去，其余特征按日历自动生成。

from datetime import timedelta # 取数据最后一行的特征作为基准，造出明天的新特征行 last_row = df.iloc[-1] tomorrow = df.index[-1] + timedelta(days=1) new_features = { "最高温度_滞后1天": last_row["最高温度"], # 今天的气温就是明天模型的滞后1天 "最高温度_滞后7天": last_row["最高温度_滞后1天"], # 七天前对应的是昨天滞后7天的值 "月": tomorrow.month, "日": tomorrow.day, "星期": tomorrow.dayofweek, "最高温度_近3日均值": last_row["最高温度_近3日均值"], "最高温度_近7日均值": last_row["最高温度_近7日均值"], } # 转成和训练时一致的特征顺序，模型.predict 一次输出 tomorrow_pred = rf.predict([list(new_features[col] for col in feature_cols)])[0] print(f"预测 {tomorrow.date()} 最高气温: {tomorrow_pred:.1f}℃")

这段代码说明：last_row是最后一天的真实数据，整套特征构造逻辑和 2.3 节保持一致，只是把“当前行”变成了“未来一天”。预测明天，就用今天的气温当滞后值；预测后天，就要先拿今天预测出的结果当明天的滞后值滚动下去，这个过程在气象预测里叫滚动预测。答辩时把这段代码跑一下，老师会看到你不仅能复现历史，还能做真实预测，项目完整度直接高一个档位。注意，预测结果不保证准，因为气温还受气压、湿度等你没纳入的特征影响，但只要在答辩时说出“当前模型只做短时预测，超过三天误差会快速放大”，这就是一个成熟的工程判断。

最后说一句我自己的习惯：做课设一定留出两个晚上的时间专门“吹毛求疵”自己的代码——检查有没有把未来信息漏给模型、确认所有图的中文正常、在干净环境里重新跑一遍。你替老师把坑都踩平了，老师在打分时自然会给你一个满意的分数。希望帮到你。

本文还有配套的精品资源，点击获取