简介基于随机森林的气温预测项目使用Python编写面向毕业设计、课程设计和项目开发场景交付一套经过严格测试的源码。项目围绕气温预测建模展开从数据准备、特征处理到模型训练与预测均有对应代码模块划分清晰既适合初学者理解随机森林回归流程也方便在此基础上增加更多气象特征、调整参数或扩展可视化结果继续深化。压缩包共15个文件整体大小4.27MB以Python源码、CSV数据、XML配置、TXT说明文档为主并附有工程结构描述文件兼顾运行与阅读用途。目前已有324人学习或下载适合需要快速搭建气温预测实例、参考完整机器学习项目组织的开发者。该源码可直接运行也可作为二次开发基础帮助降低课程设计或毕业设计的前期搭建成本基于随机森林算法完成气温预测任务。1. 气象预测课程设计怎么做随机森林凭什么比线性回归更靠谱如果你正在做毕业设计或者课程设计拿到“气温预测”这个题目最怕的不是写代码而是交上去之后老师问一句“你为什么用这个模型”。气温预测看着简单实则是个典型的回归任务输入是湿度、气压、风速、历史气温这些特征输出是未来某个时刻的温度值。选线性回归当然能跑通但真实气象数据里特征和气温之间根本不是直线关系——昼夜温差、季节变化、海拔影响全靠线性模型去拟合残差会大到让你在答辩现场抬不起头。随机森林回归算法正好卡在这个需求点上。它用多棵决策树投票取平均能自动捕捉特征交互和非线性关系而且对异常值和缺失值天生免疫。python 生态里 sklearn 封装得又干净几十行就能出一个精度不错的模型。这篇文章就按我实际做过的课程设计路径来写从数据处理到特征工程再到调参、可视化、避坑最后送你几个让答辩加分的验证技巧。新手照着复制能跑通熟手可以重点看参数边界和那些“玄学但真实存在”的坑。2. 随机森林回归的原理与选型理由先搞清楚它为什么有效再动手不迟2.1 决策树与 Bagging随机森林的两块基石随机森林不是凭空诞生的。它的底层是决策树但单棵决策树有个致命问题方差大训练集稍微变一点树的结构就整个变了。你拿同一天的气象数据去训练两棵决策树可能一棵认为“气压低→下雨→气温降”另一棵认为“湿度大→云层厚→气温降”各自都有道理但泛化能力都不稳。Bagging 的思路就是“让多棵树吵一架然后取平均值”。具体做法是有放回地采样每个样本可能被抽中多次也可能一次都不出现。这样每棵树的训练集都有差异树和树之间的相关性就降下来了。随机森林在 Bagging 基础上又加了一层随机性每次分裂时不是从全部特征里选最优而是随机抽一部分特征再挑最优。这一步很关键——如果所有树都在用“气压”这个最强特征分裂那它们就算样本不同长得也差不多平均完还是逃不过高方差。from sklearn.ensemble import RandomForestRegressor model RandomForestRegressor( n_estimators100, # 树的数量默认100课程设计100~300足够 max_depthNone, # 不限制单棵树深度让树自由生长 min_samples_split2, # 内部节点再分裂所需最小样本数默认2 min_samples_leaf1, # 叶节点最小样本数默认1可适当调大防止过拟合 random_state42 # 固定随机种子保证实验可复现 )n_estimators是树的数量。树太少模型偏差大树太多训练时间和内存线性增长收益却越来越小。我一般先固定 100 跑通流程最后用学习曲线看误差是否收敛再决定要不要加。max_depthNone表示让树长到不能再分为止配合 Bagging 通常不会过拟合但如果你数据集很小比如只有几百条记录建议限制深度到 10~15。random_state必须固定否则每次运行结果都不一样答辩时被质疑“结果不可复现”就尴尬了。2.2 回归任务里的“投票”机制为什么取均值而不是取众数分类任务里随机森林用多数投票回归任务则是对所有树的预测结果取平均值。你可以把每一棵树理解成一个“偏执的专家”——它只看了部分样本和部分特征给出的预测值是有偏的。但成百上千个偏执专家平均下来偏差互相抵消最终结果反而接近真实值。这个性质在统计学上叫“低偏差低方差”的折中是随机森林在回归任务里最核心的竞争力。气温预测恰好是个适合取均值的问题。气象变化虽然复杂但极端情况少大部分时间的温度都落在相对平滑的区间内。取均值不会像单棵决策树那样给出阶梯状的突变预测也不会像线性回归那样在波峰波谷处“削平”。用真实数据跑一遍你会发现随机森林的预测曲线比线性回归更贴实际温度波动尤其在昼夜交替这种非线性段。2.3 对比线性回归、SVR、XGBoost课程设计该选谁很多同学纠结要不要直接上 XGBoost。这里给你一个判断标准如果你的目标是“把项目做完、把原理讲清楚、拿个不错的分数”随机森林是性价比最高的。XGBoost 调参维度多学习率、最大深度、子采样比例、正则化系数任何一个设不好效果还不如随机森林。SVR 对特征缩放敏感气象数据里气温是几十的量级湿度是 0~100气压是 900~1000不归一化直接跑 SVR 会惨不忍睹。线性回归虽然简单但可以作为 baseline。你可以先跑一个线性回归算 R²再用随机森林跑一遍两者对比放进论文里这就是“为什么选随机森林”的最好论据。下表是我在某个课程设计里用同一份数据得到的典型对比结果供你参考模型R²RMSE°C训练时间线性回归0.723.81s决策树单棵0.813.11s随机森林0.892.45sSVRRBF核0.852.810s注意这个表不是标准答案不同数据集结果差异很大。但趋势是一致的随机森林在精度和训练成本之间取得了最佳平衡。如果你数据集特别大几十万行以上XGBoost 才值得考虑因为它的 Boosting 机制在大数据量下精度上限更高但课程设计很少有这种规模。3. 从数据到模型气温预测项目的完整实现路径3.1 数据从哪里来气象数据集的获取与字段说明做气温预测首先得有数据。常见渠道有三个一是 Kaggle 或和鲸社区搜索“temperature prediction”或“气温预测”数据集这类数据通常已经清洗过适合直接上手二是中国气象数据网或 NOAA 等公开气象数据库数据真实但需要自己解析三是自己在校园气象站或网上抓取历史天气数据这个不推荐因为特征字段经常不全空气质量、云量这些关键信息缺失会让模型上限很低。import pandas as pd df pd.read_csv(weather_data.csv) print(df.head()) print(df.info())拿到数据第一步不是建模而是先搞清楚字段含义和缺失情况。常见的气温预测数据集至少包含这些字段date日期、temp目标变量通常是最高气温或整点气温、humidity相对湿度、pressure海平面气压、wind_speed风速、cloud_cover云量、precipitation降水量。有些数据集还包含dew_point露点温度这是一个很有用的特征因为它和气温直接相关等于白送信息。df.info()的输出会告诉你每一列有多少非空值。如果某一列缺失超过 30%建议直接删掉如果缺失不多可以用列均值或中位数填充。气象数据的时间序列特征很强用前一天的同一时刻值填充比用全局均值更合理这个细节写进论文里会很加分。3.2 特征工程实践时间特征、滞后特征和交互特征气温预测最容易忽略的是时间特征。很多人只把date当字符串放在一边然后拿湿度、气压去预测气温结果 R² 只有 0.5 就觉得模型不行——其实是没把“季节”和“昼夜”这两个最强信号喂给模型。df[date] pd.to_datetime(df[date]) df[month] df[date].dt.month df[hour] df[date].dt.hour df[day_of_year] df[date].dt.dayofyear df[weekday] df[date].dt.weekdaymonth和hour是最直接的时间特征。day_of_year是 1~365 的整数能帮模型理解“夏天在第 180 天左右冬至在第 355 天左右”这种周期规律。weekday对气温预测用处不大但对用电量、用水量预测很有效这里保留下来主要是看数据是否包含工作日/周末的气温差异城市热岛效应下其实有一点。滞后特征也值得做把前一天同一时刻的气温、湿度作为当前输入。气象是个连续过程今天的气温大概率跟昨天同时刻的气温接近。shift操作能把这个时间依赖关系暴露给模型。df df.sort_values(date).reset_index(dropTrue) df[temp_lag_24h] df[temp].shift(24) df[humidity_lag_24h] df[humidity].shift(24) # 删除开头没有滞后数据的行 df df.dropna().reset_index(dropTrue)如果数据是按小时采样的shift(24)就是取 24 小时前的气温。如果你拿到的是日数据那就是shift(1)。这里有个坑一定要先按时间排序再做 shift否则滞后完全错乱。排序后还要记得reset_index(dropTrue)不然索引会带着原顺序干扰后面的数据切分。交互特征可以按需做比如“湿度×风速”代表体感温度“气压×降水量”代表天气系统状态。但交互特征不是越多越好随机森林对特征交互的捕捉能力比线性模型强很多它会自动在分裂时组合特征。你只需要把原始特征喂进去树自己就会找到“湿度80 且风速5”这种组合条件。过度手动做交互反而可能引入噪声。3.3 切分训练集与测试集时间序列数据不能用随机切分这是课程设计里最常见的翻车点。默认的train_test_split是随机打乱再切分用在普通表格数据上没问题但气温预测是时间序列数据——前一小时的气温和后一小时的气温高度相关。如果随机打乱训练集里会混进“未来”的数据模型相当于开卷考试测试集上的 R² 会虚高到 0.95 以上但实际部署时立刻打回原形。from sklearn.model_selection import train_test_split features [humidity, pressure, wind_speed, cloud_cover, month, hour, day_of_year, temp_lag_24h, humidity_lag_24h] X df[features] y df[temp] # 时间序列必须用顺序切分不能随机 train_size int(len(df) * 0.8) X_train, X_test X.iloc[:train_size], X.iloc[train_size:] y_train, y_test y.iloc[:train_size], y.iloc[train_size:]这样切分的意思是用前 80% 的时间段训练用后 20% 的时间段测试测试集的时间永远在训练集之后。你可以打印一下X_train.index和X_test.index的边界确认没有交叉。用时间序列的切分方式随机森林的 R² 通常会落在 0.75~0.90 之间这个数值是真实可信的。3.4 模型训练与评估R²、RMSE、MAE 怎么算才规范训练过程本身非常简单难的是评估指标怎么解释。R² 是决定系数表示模型解释了目标变量多少方差0.9 以上算优秀0.8~0.9 算良好0.6 以下就得回头查数据了。RMSE 是均方根误差单位是摄氏度2°C 以内的平均误差在气象预测领域是可以接受的MAE 是平均绝对误差比 RMSE 更直观不容易被个别极端值拉高。from sklearn.metrics import mean_squared_error, mean_absolute_error, r2_score model.fit(X_train, y_train) y_pred model.predict(X_test) rmse mean_squared_error(y_test, y_pred, squaredFalse) mae mean_absolute_error(y_test, y_pred) r2 r2_score(y_test, y_pred) print(fR² {r2:.4f}) print(fRMSE {rmse:.4f} °C) print(fMAE {mae:.4f} °C)注意squaredFalse这个参数在新版 sklearn 里mean_squared_error默认返回的是 MSE平方误差必须加这个参数才得到 RMSE。很多同学在这里踩坑算出来的数大得离谱还以为模型出了问题。评估时建议把测试集按时间顺序画一条预测 vs 真实的折线图尤其要观察昼夜交替的时刻模型是否跟得上温度拐点。我见过不少模型 R² 很高但把图放大看波峰处总是差 2~3 度这时候 R² 容易被整体趋势掩盖必须结合 RMSE 和图像一起看。4. 让模型再进一步随机森林必调的 5 个参数与可视化解释4.1 n_estimators树的数量怎么定n_estimators是最先要定的参数。它不是越大越好而是“足够大即可”。你可以画一条误差随树数量变化的曲线横轴是树的棵数从 10 到 500纵轴是测试集 RMSE。通常曲线会在 100 棵左右开始变得平缓再往后就是几十棵树换来千分之一的误差下降不值得。import matplotlib.pyplot as plt rmse_list [] for n in [10, 30, 50, 100, 150, 200, 300]: model RandomForestRegressor(n_estimatorsn, random_state42) model.fit(X_train, y_train) pred model.predict(X_test) rmse_list.append(mean_squared_error(y_test, pred, squaredFalse)) plt.plot([10, 30, 50, 100, 150, 200, 300], rmse_list, markero) plt.xlabel(n_estimators) plt.ylabel(RMSE (°C)) plt.title(Random Forest RMSE vs n_estimators) plt.show()如果曲线从 50 到 300 还在明显下降说明你的特征数量多、数据复杂可以继续往上加到 500如果 100 之后就变成平线那就没必要再加大。训练时间也要考虑300 棵树在普通笔记本上处理几千行数据只需要几秒但如果数据有几十万行建议开到 200 以内或者用n_jobs-1并行训练。4.2 max_depth 与 min_samples_leaf控制单棵树的复杂度max_depth限制树的深度防止单棵树过拟合到训练集的细小噪声上。如果数据量只有几千条我一般设max_depth在 12~20 之间数据量上万时可以放宽到 30 甚至不限制。另一个更平滑的控制方式是min_samples_leaf它的含义是“每个叶节点至少要有多少个样本”设得越大树越粗糙泛化越好。model RandomForestRegressor( n_estimators200, max_depth15, min_samples_leaf3, random_state42 )我给你的建议是先用默认参数跑通然后只调max_depth和min_samples_leaf这两项。min_samples_leaf3对气温预测这类带噪声的时间序列很有效等于强制每个叶节点的预测值至少是 3 个样本的平均能明显平滑预测曲线减少毛刺。max_depth15在多数中小数据集上是个安全起点。4.3 max_features每次分裂选多少个特征max_features是随机森林和 Bagging 的真正区别所在。默认值是1.0也就是每次分裂考虑全部特征这样每棵树都长得很像随机性只来自样本抽样。官方推荐回归任务用max_features1/3即特征总数的三分之一。这样做的好处是让不同树从不同特征维度看问题树之间的相关性降低平均后的方差进一步减小。model RandomForestRegressor( n_estimators200, max_featuressqrt, # 或者用 0.33 random_state42 )sqrt表示取特征总数的平方根特征数在 10 左右时相当于每次考虑 3~4 个特征。你可以对比一下max_features1.0和0.33的测试集 RMSE通常后者会更好但也不绝对。如果数据里有某个特别强的特征比如滞后 24 小时的气温max_features设置过小会让很多树根本看不到这个特征效果反而不如默认值。所以这个参数要在自己的数据上实测不要照搬。4.4 特征重要性答辩时最拿得出手的可视化随机森林天生自带特征重要性评估每个特征在分裂时带来的不纯度减少量按树平均后就是这个特征的得分。这个分数能直接告诉你“哪些气象因素对气温影响最大”写进论文里是一张非常漂亮的图答辩时也容易讲。import numpy as np importances model.feature_importances_ indices np.argsort(importances)[::-1] feature_names X.columns for i in range(len(feature_names)): print(f{feature_names[indices[i]]}: {importances[indices[i]]:.4f})在大多数气象数据集里排序前几名的通常是temp_lag_24h、hour、day_of_year然后才是湿度、气压。这个结果符合气象直觉短期惯性最强昼夜和季节周期次之最后才是其他气象因子。如果humidity排到最前面就要怀疑数据集是不是有问题——比如湿度是“相对湿度”它随气温升高而降低二者本身就有共线性特征重要性会把相关关系误当成因果关系。4.5 用 GridSearchCV 找最佳参数组合三个必调参数的搜索范围如果时间充裕可以用GridSearchCV做一次网格搜索把n_estimators、max_depth、min_samples_leaf一起搜索。注意网格搜索内部用的是交叉验证但交叉验证时会随机打乱数据这又踩回了时间序列的坑。正确的做法是手动切分好训练集和测试集后只在训练集上做网格搜索测试集留在最后评估。from sklearn.model_selection import GridSearchCV param_grid { n_estimators: [100, 200], max_depth: [10, 15, 20], min_samples_leaf: [1, 2, 4] } model RandomForestRegressor(random_state42) grid GridSearchCV( model, param_grid, cv3, scoringneg_root_mean_squared_error, n_jobs-1, verbose1 ) grid.fit(X_train, y_train) print(grid.best_params_)scoringneg_root_mean_squared_error是因为 sklearn 网格搜索的评分是“越大越好”所以 RMSE 要取负值。cv3在时间序列上仍会有泄漏风险但网格搜索只是用来选参数不是用来评估最终精度所以影响不大。如果你追求严谨可以用TimeSeriesSplit代替普通cv这是 sklearn 专门为时间序列交叉验证提供的切分器但课程设计用 3 折已经够说服大多数老师。5. 气温预测项目排雷指南特征泄漏、过拟合与数据穿越的 4 个高频翻车点5.1 翻车点一随机切分导致 R² 虚高到 0.98现象模型在测试集上 R² 高达 0.95 以上看起来完美得不可思议。答辩时老师问“你预测的是未来吗”你支支吾吾答不上来。原因train_test_split默认shuffleTrue把时间序列打乱了。测试集里混入了训练集相邻时间点的数据模型等于看到了“标准答案”。解决严格按时间顺序切分训练集必须全部在测试集之前。如果数据是按小时采样的还要注意不能把同一天的早晚数据割裂到两个集合里最好按“日期”为单位切分比如前 80% 的日期进入训练后 20% 的日期进入测试。在代码里用df[date]先分组再切分避免同一天的数据被劈开。5.2 翻车点二对未来做了中心化或标准化导致数据穿越现象你对所有特征做了StandardScaler标准化测试集 R² 看着正常但部署到新数据上完全跑偏。原因标准化时用的是整个数据集的均值和标准差等于测试集的分布信息已经被训练过程“偷看”了。气温有年际变化未来几年的平均气温如果比历史高 1°C你的标准化就失真了。解决标准化必须在切分之后做而且只能fit在训练集上。from sklearn.preprocessing import StandardScaler scaler StandardScaler() X_train_scaled scaler.fit_transform(X_train) X_test_scaled scaler.transform(X_test)随机森林本身不要求特征标准化因为它基于分裂阈值而不是距离计算所以如果你的 pipeline 里不打算加其他模型这一步可以直接省掉彻底避开这个坑。但如果你想顺便对比 SVR 的效果就需要严格按上面的顺序做。5.3 翻车点三滞后特征泄露了未来信息现象temp_lag_24h这个特征的重要性排第一模型 R² 很高但你仔细一想——如果我要预测明天下午两点的气温我真的能提前 24 小时知道明天下午两点前一个小时的数据吗原因滞后特征是从“当前”时刻往前推还是从“目标时刻”往前推决定了它是否构成泄漏。如果你预测的是t3时刻的气温却把t2时刻的气温作为特征这是合法的如果你把t3时刻之前但紧邻目标时刻的数据在训练时用了而预测时还没有那就是泄漏。解决构建特征时一定要明确目标时间的偏移量。比如你的数据是整点采样要预测下一小时气温那么滞后特征应该取shift(1)即上一整点的观测值要预测明天同一时刻则取shift(24)。预测目标越远滞后特征的信息量越少模型就越依赖季节和昼夜特征。把目标偏移量写清楚这是答辩时区分“真会”和“背代码”的关键点。5.4 翻车点四只报 R² 不画残差图被老师当场拆穿现象你自信满满地报出 R²0.88老师让你画一下残差分布你画出来发现残差随着预测值增大而系统性增大——在高温段模型系统性低估。原因气温数据往往高温段样本少模型为了降低整体 MSE更倾向把预测压向均值附近造成极端温度被“平滑”掉。R² 是整体宏观指标它掩盖了分段误差。解决必须画两张图。第一张是预测值 vs 真实值的散点图点应该围绕 yx 对角线分布第二张是残差随预测值变化的散点图理想情况是残差在 0 附近随机分布不出现喇叭形或弯曲趋势。如果看到高温段残差全是正的实际比预测高就在论文里承认这一点并说明下一步可以用分位数回归或单独建一个高温模型来修正。能主动说清模型局限比等老师指出要体面得多。6. 把精度再往上顶一档残差修正与多模型对比的进阶玩法当你把随机森林的 R² 做到 0.85 以上基础课程设计已经能拿高分了。但如果还想冲一下优秀或者导师要求“做深一点”有两个性价比很高的方向一是残差建模二是跟 XGBoost / LightGBM 做正式对比。第一个方向能让你的 RMSE 再降 0.3~0.5°C第二个方向能让论文的“实验对比”章节有真材实料。残差修正的思路是这样的先用随机森林拟合主模型得到预测值后计算y_train - pred_train作为残差然后用一个轻量模型我常用岭回归或另一个小随机森林去预测残差。最终预测值 主模型预测值 残差模型预测值。这个套路的本质是“两阶段学习”第一阶段抓主要趋势第二阶段抓系统性偏差。from sklearn.linear_model import Ridge rf_pred_train model.predict(X_train) residual y_train - rf_pred_train ridge Ridge(alpha1.0) ridge.fit(X_train, residual) rf_pred_test model.predict(X_test) residual_pred ridge.predict(X_test) final_pred rf_pred_test residual_pred final_rmse mean_squared_error(y_test, final_pred, squaredFalse) print(fFinal RMSE {final_rmse:.4f} °C)alpha1.0是岭回归的正则化强度残差里如果全是随机噪声正则化会把系数压向 0模型输出几乎等于 0相当于没做修正。只有当残差里确实存在可学习的结构比如高温段的系统性低估时岭回归才能发挥作用。你可以观察残差模型的 R²如果接近 0说明主模型已经把信息榨干了别强行套残差修正。多模型对比部分我建议至少跑三个模型线性回归baseline、随机森林主角、XGBoost对照组。用同一套切分好的训练集和测试集记录 R²、RMSE、MAE 和训练时间做成一张三线表放进论文。XGBoost 的安装和使用本身不复杂pip install xgboostfrom xgboost import XGBRegressor xgb XGBRegressor( n_estimators200, max_depth6, learning_rate0.1, random_state42 ) xgb.fit(X_train, y_train) xgb_pred xgb.predict(X_test)XGBoost 的max_depth通常比随机森林小很多因为 Boosting 机制下每棵树都在修正前面的残差树不需要太深。learning_rate0.1是默认值如果你发现 XGBoost 过拟合训练集 R² 0.99测试集 0.80可以把学习率降到 0.05 同时增加n_estimators。这里不用追求 XGBoost 一定比随机森林好——在中小数据集上两者经常打成平手你能把两者差异的原因分析清楚Boosting vs Bagging 的偏差-方差权衡比单纯刷分更有说服力。做这个项目我很深的一个教训是别急着写代码先把“我要预测的目标是什么、数据里有哪些字段、切分方式会不会泄漏”这三件事用文字写在纸上。我见过太多人把时间序列数据随机切分后跑出 R²0.97 的“好结果”然后花三天时间调参试图突破 0.98最后才发现问题出在数据切分上——方向错了跑得再快也是白费。这个项目值得做的原因不只是因为它能过毕设而是它让你完整经历了一次“业务理解→数据清洗→特征工程→模型选型→评估排错→进阶优化”的全流程这套思路换到房价预测、销量预测、电力负荷预测里完全能复用。先把随机森林跑通再按本文的顺序把残差修正加上最后用特征重要性图收尾你的答辩 PPT 会非常充实。希望帮到你。本文还有配套的精品资源点击获取