简介这份资源围绕循环神经网络RNN、LSTM、GRU在气象数据预测中的应用展开面向本科、硕士阶段从事神经网络预测与智能算法教研学习的学生及科研人员帮助读者理解时序建模的完整流程与调参思路。压缩包共13个文件约758KB包含5个Python脚本、5张结果图、1份CSV气象数据、1份Markdown说明及1个模型权重文件脚本覆盖数据处理、模型配置、训练与测试等环节图片则记录了不同学习率与迭代次数下的预测效果对比。资源已有501人学习下载具备一定参考热度。读者可据此复现LSTM气象预测实验观察学习率、迭代轮数等超参数对结果的影响并借助说明文档与权重文件快速上手适合作为课程设计、论文实验或自学时序预测的实践素材。1. 气象数据预测为什么总在“拐点”上翻车RNN、LSTM、GRU 到底怎么选做气象数据预测的人大多有过这种体验温度、湿度、风速这些序列在平稳段拟合得漂漂亮亮一到冷空气过境、午后对流爆发、日落后快速降温这种“拐点”模型就像失忆一样预测曲线要么滞后半天要么直接把峰值削平。这不是数据不够也不是训练轮数不够而是循环神经网络RNN本身对长距离依赖的建模能力有硬伤。普通 RNN 在反向传播时梯度会指数级衰减或爆炸几十步之前的信息传不到当前时刻而气象序列恰恰是“昨天傍晚的湿度、前半夜的风向”会影响“今天清晨的辐射雾”这种跨时段耦合。LSTM 和 GRU 就是为解决这个问题被提出来的LSTM 用输入门、遗忘门、输出门三个门控加一条细胞状态通道把长期信息像传送带一样保留下来GRU 把门简化成重置门和更新门参数更少、训练更快在中小规模气象数据集上往往和 LSTM 打平甚至更好。这篇笔记就围绕“基于循环神经网络实现气象数据预测”这件事把数据怎么整理、模型怎么搭、参数怎么调、坑在哪按能复现的顺序讲清楚。适合已经会 Python、装过 numpy 和 pandas但还没把时序预测真正跑通的气象、能源、农业方向从业者。2. 从原始气象表到模型能吃的张量滑动窗口与归一化2.1 先想清楚预测的是“下一时刻”还是“未来一天”拿到一份气象 CSV第一件事不是写模型而是确定预测任务的形式。常见的有三种单步预测用过去 24 小时预测下一小时、多步滚动预测预测未来 24 小时每一步把预测值喂回去、多变量预测同时预测温度、湿度、气压多个目标。任务形式直接决定后面张量的形状和损失函数的设计。我一般会先把时间列解析成 DatetimeIndex按固定频率重采样缺测值用线性插值补上再检查有没有整段缺失——整段缺失超过 6 小时的宁可截断也不要硬插否则模型会学到一段假的平稳信号。import pandas as pd import numpy as np # 读取气象数据假设列包含 time, temp, humidity, pressure, wind_speed df pd.read_csv(weather.csv, parse_dates[time]) df df.set_index(time).sort_index() # 统一到小时频率缺测线性插值但限制最大连续插值长度 df df.resample(1h).mean() df df.interpolate(methodlinear, limit6) df df.dropna() # 超过6小时的缺口直接丢弃对应行 # 只保留数值列方便后续归一化 feature_cols [temp, humidity, pressure, wind_speed] data df[feature_cols].values.astype(np.float32) print(data.shape) # (样本数, 特征数)这段代码的关键在resample(1h)和interpolate(limit6)。气象站原始数据常是 5 分钟或 10 分钟一条直接喂给 RNN 会让序列长度爆炸按小时聚合既降维又保留日变化。limit6是血泪经验不加限制的话一个传感器故障导致的 3 天空缺会被插成一条直线模型会误以为那段时间天气“异常稳定”验证集上看着好实际部署就翻车。2.2 滑动窗口构造样本look_back 和 horizon 怎么定RNN 吃的是三维张量(样本数, 时间步, 特征数)。用滑动窗口把二维表切成三维核心参数是look_back回看多少步和horizon预测未来第几步。气象领域有个经验值日周期是 24 小时所以look_back至少覆盖 24常用 48 或 72horizon单步预测取 1如果要预测未来 24 小时就取 24 并把输出维度改成 24。窗口之间是否重叠也有讲究训练集用步长 1 重叠采样能增加样本量验证集和测试集建议用不重叠或大步长避免信息泄漏。def make_windows(data, look_back48, horizon1): X, y [], [] for i in range(len(data) - look_back - horizon 1): X.append(data[i:i look_back]) y.append(data[i look_back:i look_back horizon, 0]) # 预测温度 return np.array(X), np.array(y) X, y make_windows(data, look_back48, horizon1) print(X.shape, y.shape) # (N, 48, 4) (N, 1)y这里只取了第 0 列温度作为预测目标如果你要做多变量预测把y改成data[ilook_back:ilook_backhorizon, :]即可。注意horizon1时y的形状是(N,1)后面模型输出层要对应一个神经元如果horizon24输出层就是 24 个神经元损失函数用 MSE 对整个向量求平均。2.3 归一化必须按训练集统计量来否则就是数据泄漏气象各变量量纲差异大气压约 1000 hPa风速可能只有 0~15 m/s温度 -20~40 ℃。不归一化的话梯度会被大量纲特征主导LSTM 的门控也难学。常见做法是 min-max 归一化到 [0,1] 或 z-score 标准化。这里有个极易踩的坑很多人对整个数据集一起算均值和方差然后切训练测试这等于把测试集的分布信息泄漏给了训练。正确做法是只用训练集算mean和std再应用到验证和测试。# 按时间顺序切分前70%训练中间15%验证最后15%测试 n len(data) train_end int(n * 0.7) val_end int(n * 0.85) train_data data[:train_end] val_data data[train_end:val_end] test_data data[val_end:] # 只用训练集统计量 mean train_data.mean(axis0) std train_data.std(axis0) 1e-8 train_norm (train_data - mean) / std val_norm (val_data - mean) / std test_norm (test_data - mean) / std1e-8是防止某个特征标准差为 0 时除零。切分必须按时间顺序不能随机打乱否则未来信息会混进训练集验证指标虚高上线后直接崩。这个坑我在风电功率预测项目里见过不止一次指标从 0.95 掉到 0.6 才反应过来。3. 用 PyTorch 搭一个能跑的 LSTM/GRU 预测网络3.1 模型结构输入层、循环层、全连接输出层PyTorch 里nn.LSTM和nn.GRU的接口几乎一样切换成本极低。一个最小可用的气象预测网络包含三部分循环层负责提取时序特征取最后一个时间步的隐藏状态再接一个全连接层映射到预测维度。batch_firstTrue一定要设否则输入张量默认是(时间步, 批量, 特征)和大多数人习惯的(批量, 时间步, 特征)相反调试时容易懵。import torch import torch.nn as nn class WeatherRNN(nn.Module): def __init__(self, input_size4, hidden_size64, num_layers2, output_size1, celllstm, dropout0.2): super().__init__() self.cell cell rnn_cls nn.LSTM if cell lstm else nn.GRU self.rnn rnn_cls( input_sizeinput_size, hidden_sizehidden_size, num_layersnum_layers, batch_firstTrue, dropoutdropout if num_layers 1 else 0.0, ) self.fc nn.Linear(hidden_size, output_size) def forward(self, x): # x: (batch, seq_len, input_size) out, _ self.rnn(x) last out[:, -1, :] # 取最后一个时间步 return self.fc(last)hidden_size64、num_layers2是中小规模气象数据的常用起点。dropout0.2只在层数大于 1 时生效单层 LSTM 加 dropout 会被 PyTorch 警告。cell参数让 LSTM 和 GRU 共用一套代码方便做消融对比。取out[:, -1, :]是取最后一个时间步的输出也可以对时间维做平均池化后者在序列较长时更稳但会丢失“最近时刻更重要”的时序偏好。3.2 训练循环损失、优化器、早停一个都不能少气象预测是回归任务损失用 MSE 或 Huber。Huber 对异常值更鲁棒极端天气样本少但幅度大用 MSE 容易被几个极端值带偏。优化器 Adam 起步学习率 1e-3配合ReduceLROnPlateau在验证损失不降时减半。早停 patience 设 10~15 轮气象数据训练几百轮很常见没有早停容易过拟合。from torch.utils.data import TensorDataset, DataLoader device torch.device(cuda if torch.cuda.is_available() else cpu) X_train, y_train make_windows(train_norm) X_val, y_val make_windows(val_norm) train_ds TensorDataset(torch.from_numpy(X_train), torch.from_numpy(y_train)) train_loader DataLoader(train_ds, batch_size64, shuffleTrue) model WeatherRNN(celllstm).to(device) criterion nn.HuberLoss() optimizer torch.optim.Adam(model.parameters(), lr1e-3) scheduler torch.optim.lr_scheduler.ReduceLROnPlateau( optimizer, modemin, factor0.5, patience5) best_val float(inf) patience, wait 12, 0 for epoch in range(200): model.train() for xb, yb in train_loader: xb, yb xb.to(device), yb.to(device) optimizer.zero_grad() loss criterion(model(xb), yb) loss.backward() torch.nn.utils.clip_grad_norm_(model.parameters(), max_norm1.0) optimizer.step() model.eval() with torch.no_grad(): xv torch.from_numpy(X_val).to(device) yv torch.from_numpy(y_val).to(device) val_loss criterion(model(xv), yv).item() scheduler.step(val_loss) if val_loss best_val: best_val, wait val_loss, 0 torch.save(model.state_dict(), best.pt) else: wait 1 if wait patience: print(fearly stop at epoch {epoch}) breakclip_grad_norm_(max_norm1.0)是 RNN 类模型的后悔药梯度爆炸时没有它 loss 会直接变 NaN。shuffleTrue只在训练集用验证和测试保持顺序。ReduceLROnPlateau的patience5和早停的patience12要错开让学习率先降再决定是否停。3.3 LSTM 和 GRU 的对比实验怎么做才公平想验证 LSTM 和 GRU 哪个更适合你的数据必须控制变量相同hidden_size、相同层数、相同学习率、相同随机种子、相同数据切分。跑三次取平均单次结果没有说服力。下面这段脚本把两个模型跑一遍并记录验证集 RMSE。def run_experiment(cell, seed42): torch.manual_seed(seed) np.random.seed(seed) model WeatherRNN(cellcell).to(device) optimizer torch.optim.Adam(model.parameters(), lr1e-3) criterion nn.HuberLoss() best float(inf) for epoch in range(100): model.train() for xb, yb in train_loader: xb, yb xb.to(device), yb.to(device) optimizer.zero_grad() loss criterion(model(xb), yb) loss.backward() torch.nn.utils.clip_grad_norm_(model.parameters(), 1.0) optimizer.step() model.eval() with torch.no_grad(): pred model(torch.from_numpy(X_val).to(device)).cpu().numpy() rmse np.sqrt(np.mean((pred - y_val) ** 2)) best min(best, rmse) return best for cell in [lstm, gru]: scores [run_experiment(cell, seeds) for s in [1, 2, 3]] print(cell, np.mean(scores), np.std(scores))注意 RMSE 是在归一化空间算的比较相对优劣够用要报物理量误差得乘回std。GRU 参数少约 25%训练时间通常短 15%~30%如果两者 RMSE 差距在标准差以内优先选 GRU部署时显存和延迟都更友好。4. 气象预测里最容易翻车的五个坑4.1 现象验证损失正常测试集 RMSE 突然翻倍原因切分时随机打乱或者归一化用了全量统计量导致测试集信息泄漏进训练。气象序列有强自相关随机切分会让相邻时刻的样本同时出现在训练和测试里模型等于“背答案”。解决严格按时间顺序切分归一化统计量只从训练集算验证集和测试集用同一组mean/std。4.2 现象预测曲线整体滞后一小时峰值被削平原因损失函数用 MSE模型倾向于预测条件均值遇到快速变化的拐点就输出中间值。这是回归模型的固有特性不是 bug。解决改用 Huber 或分位数损失或者在特征里加入差分项一阶差分、日变化差分让模型学变化率而不是绝对值。另一个常用技巧是把预测目标从原始温度改成“相对上一时刻的增量”模型只需学小量拐点响应更快。4.3 现象训练 loss 降到很低验证 loss 从第 20 轮开始涨原因过拟合。气象数据样本量有限LSTM 参数量大很容易记住训练集。解决加 dropout、减小hidden_size、加 L2 正则weight_decay1e-4、早停。如果数据量少于 5000 条hidden_size建议不超过 32层数不超过 1。4.4 现象loss 变成 NaN或者梯度 norm 打印出来是几千原因梯度爆炸常见于序列较长、学习率偏大、没有梯度裁剪。解决clip_grad_norm_(max_norm1.0)必加学习率从 1e-3 降到 1e-4 试试look_back超过 168 时考虑用梯度累积或截断反向传播。另外检查数据里有没有 inf 或极大异常值归一化前先做 3σ 截断。4.5 现象换一台机器或换个随机种子结果波动超过 20%原因初始化敏感 数据量小 没有固定种子。解决固定torch.manual_seed、np.random.seed跑 3~5 次取平均再下结论。如果波动仍然大说明数据量不足以支撑当前模型容量减小模型或增加数据增强加噪声、时间扭曲比调参更有效。5. 把单步预测扩成未来 24 小时滚动预测与误差累积的控制技巧单步预测跑通后实际业务往往要未来 24 小时的温度曲线。最直接的做法是滚动预测用模型预测 t1把预测值拼回输入序列再预测 t2循环 24 次。这个方案实现简单但误差会逐步累积到第 24 步可能已经偏离很远。控制误差累积有三个实用手段。第一训练时就用多步目标把horizon设成 24输出层 24 个神经元一次前向出整条曲线避免滚动累积。第二如果必须滚动每隔 6 步用最近的真实观测“校正”一次输入相当于给模型一个锚点。第三对预测结果做后处理比如用历史同时刻的均值和方差做偏差校正或者对 24 小时曲线做平滑约束抑制高频抖动。def rolling_forecast(model, last_window, steps24, meanNone, stdNone): model.eval() window last_window.copy() # (look_back, feature) preds [] with torch.no_grad(): for _ in range(steps): x torch.from_numpy(window[None, :, :]).float().to(device) pred model(x).cpu().numpy()[0, 0] preds.append(pred) # 把预测的温度填回窗口最后一行的第0列其余特征沿用上一时刻 new_row window[-1].copy() new_row[0] pred window np.vstack([window[1:], new_row]) preds np.array(preds) if mean is not None and std is not None: preds preds * std[0] mean[0] return preds这段代码里new_row只更新温度其他特征沿用上一时刻这是简化处理。更严谨的做法是对每个特征单独建一个预测头或者用 seq2seq 结构一次输出所有特征。mean[0]和std[0]对应温度那一列的统计量反归一化后才能和真实温度比较。滚动 24 步后建议画一张对比图重点看第 12~24 步的偏差如果偏差超过 2 ℃说明单步模型直接滚动不可靠应该改用多步输出或加校正。验证方法上我习惯留出最近一个月的完整序列做“回测”按天滚动预测 24 小时统计每天的 RMSE 和 MAE再看误差有没有随预测步长线性增长。如果第 1 步 RMSE 是 0.5 ℃第 24 步是 3 ℃这个衰减速度在业务上通常不可接受需要上多步模型。最后说个我自己的习惯每次改完数据管道或模型结构先跑一个look_back24, hidden_size32, num_layers1的基线确认整条链路能出合理结果再往上加复杂度。基线跑不通就调参等于在黑匣子里摸开关浪费时间还找不到原因。希望帮到你。本文还有配套的精品资源点击获取