企业官网建设流程全解析

气象站里报出来的“晴 26°C”，背后其实是一套复杂的物理方程加无数传感器修正。但如果你手头只有一份历史气象表格，又想在几行代码内搭个能用的气温预测模型，那随机森林绝对是性价比最高的起点。去年我做本地站点高温趋势预测时，第一版基线就是用 Python 加随机森林回归算法完成的，从数据清洗到参数调优只花了一个下午，精度已经能控制在平均误差 1.5°C 以内。这篇文章就把完整链路拆开讲：为什么选随机森林、特征怎么做、代码怎么跑、以及我在实际项目里踩过的几个大坑。适合刚接触机器学习回归任务、想用真实气象数据练手的同学，也欢迎做气候数据分析的朋友来交流。

1. 项目概述与模型选型思路

1.1 为什么选中随机森林做气温预测

气温预测本质上是个回归问题，输入一批历史气象观测值，输出一个连续温度值。但这个回归关系很不“线性”：湿度高不一定降温，但配合大风和阴雨天，体感温度会骤降；气压、前一日温差、季节周期都在同时起作用。传统线性回归在这种多因子非线性的场景下，往往只能拟合一个大趋势，很难捕捉局部突变。

随机森林的做法则完全不同。它训练多棵决策树，每棵树在样本和特征上做随机采样（bootstrap 抽样和特征随机抽样），最终把多棵树的预测结果取平均作为输出。这种 bagging 策略最直接的收益是方差降低：单棵决策树很容易学到诡异的极端噪声，但几十棵上百棵树平均下来，个别的误判就被淹没了。集成之后模型对异常值也不敏感，某个传感器记录了一个离谱的瞬时风速，最多影响一棵子树的切分，整体预测不会被打偏。

有人问为什么不用支持向量机或者 XGBoost。SVR 非线性核的选择和惩罚系数 C 调整起来很看经验，网格搜索稍不留意就陷入局部最优；XGBoost 精度上限确实更高，但需要处理学习率、树深度、正则化、早停一大堆超参数，对刚入门的人来说包袱太重。随机森林在中等规模的气象历史数据上（几千到几万条样本），不需要特征归一化，不用考虑缺失值编码，默认参数跑出来已经能当 baseline，后续想替换成更强的模型也有充足的对比参照。

当然，它有一个硬伤：模型无法外推。因为预测值是训练集中样本的加权平均，如果测试期出现了百年一遇的极端高温，训练集里的最高温只有 38°C，模型永远不可能预测出 40°C。这一点在后面的问题排查章节我会再展开。

1.2 模型适用场景与数据需求

这个模型不是什么天气场景都能搞定，它的舒适区是短期趋势预测，尤其是几小时到三天的逐时或逐日气温。我在项目中主要用它做两件事：一是给农业大棚的通风决策提供温度参考，二是对城市热岛效应做一个基于历史观测的统计估算，不追求物理可解释性，只求预测趋势稳。

数据需求方面，最低要求是一份包含“日期 + 气温”的两列数据，这样只能提取日期本身的季节周期，预测精度相对有限。理想情况下，希望历史数据至少覆盖连续 2 到 3 年，并且包含这些字段：日期、气温（或最高最低温）、相对湿度、气压、风速、降水量。年份越完整，模型能学到的季节周期和年际差异越可靠。样本量上并不夸张，每天一条记录，三年也就一千条左右，随机森林完全吃得消；如果是逐小时数据，几万条也跑得动。

数据来源方面，有公开气象数据集，也有从天气接口导出的历史记录，但需要注意授权和合规问题。自己用小型气象站采集的数据最稳妥，注意传感器校准即可。

1.3 项目技术栈与整体流程

整个项目我用的就是最常见的 Python 数据科学生态：pandas 做数据整理，numpy 做数值运算，scikit-learn 中的 RandomForestRegressor 做模型训练，matplotlib 画特征重要性和预测对比图。不需要深度学习框架，也不需要 GPU，普通笔记本就能流畅跑完。

流程上大致分五步：数据获取与清洗、特征工程、训练集测试集划分、随机森林训练与调参、模型评估和特征分析。下面两章就是按这个顺序来的，先解决数据问题，再进入建模。

2. 数据准备与特征工程

2.1 数据获取与清洗实操

我用的示例数据是一份模拟气象站观测表，字段包括 date、temp、humidity、pressure、wind_speed、precipitation，其中 temp 就是我们要预测的目标变量。拿到手第一步是解析日期并排序，这是所有时间序列任务的前提。

import pandas as pd import numpy as np df = pd.read_csv("weather.csv", parse_dates=["date"]) df = df.sort_values("date").reset_index(drop=True) print(df.head())

接着做缺失值检查。气象观测数据经常有传感器掉线导致空值。我习惯的做法是：如果缺失比例低于 5%，用前后两天均值做线性插值；如果连续缺失超过 3 天，则直接删掉这一段，避免插值制造出人工数据。对异常值，我用了最简单的业务规则：气温在 -40 到 45°C 之外的视为异常；湿度必须在 0 到 100%；气压在 850 到 1080 hPa。超出范围的记录不是删除，而是标记为缺失再插值，因为删除会使时间不连续。

这里容易忽略的一点是：日期索引必须连续，否则后面生成滞后特征时会出现“前一天”错位。我通常用pd.date_range重排一个完整日期列表，再左连接原始数据，缺失日期记 NaN。

2.2 特征工程：把时间变成模型能理解的语言

随机森林虽然不需要归一化，但特征设计直接影响模型上限。我在这类项目中重点构造三组特征。

第一组是时间特征。直接把月份作为一个整数传给模型，模型会把它当作数值对待，但 1 月和 12 月之间的“距离”并不是 11，一个月更像类别变量。因此我同时拆出 year、month、day、dayofyear、weekday。dayofyear（一年中的第几天）配合正弦余弦变换后，能连续地表示季节变化，因为 1 月 1 日和 12 月 31 日的季节应该很接近，但直接数值上差了 364。用下面的代码把周期编码成二维坐标：

df["dayofyear"] = df["date"].dt.dayofyear df["season_sin"] = np.sin(2 * np.pi * df["dayofyear"] / 365.25) df["season_cos"] = np.cos(2 * np.pi * df["dayofyear"] / 365.25)

第二组是滞后特征，这是时间序列预测的灵魂。气温具有很强的自相关性，今天的温度大概率跟前一天甚至前两天的温度接近。所以我构造了目标变量的一阶滞后和二阶滞后，以及一个七日滑动平均表示近期冷热基调：

df["temp_lag1"] = df["temp"].shift(1) df["temp_lag2"] = df["temp"].shift(2) df["temp_rolling7"] = df["temp"].rolling(7).mean()

第三组是其他气象因子的滞后值。注意是滞后值，不是同时刻值。预测当天气温时，当天湿度是拿不到的未来信息，只能用前一天的湿度、气压、风速作为特征。很多新手在这里栽跟头，我会在第四章重点展开。

2.3 训练集与测试集划分的特殊性

气温预测严格说是时间序列任务，直接调用 sklearn 的train_test_split并设置随机种子是不可取的，因为随机划分会把未来的数据混进训练集，模型等于“偷看”了答案，测试指标虚高，上线后立刻翻车。

正确做法是按时间顺序切分：用前 80% 的数据训练，后 20% 的数据测试。在样本量约 2000 条时，我选择前 1600 条训练，后 400 条测试。如果需要交叉验证，也要使用TimeSeriesSplit，它保证了训练集永远是测试集之前的样本。

from sklearn.model_selection import TimeSeriesSplit tscv = TimeSeriesSplit(n_splits=5) # tscv.split(X) 会按时间顺序生成连续递增的训练集和测试块

这个细节决定了模型的真正泛化能力，也和后面调参的网格搜索方式直接挂钩。

3. 基于sklearn构建随机森林气温预测模型

3.1 主流程代码实现与评估指标

我把特征和目标变量整理成矩阵。需要提醒的是，构造滞后特征后要丢掉前几行，因为这些行的滞后值是 NaN。数据准备好后，模型训练本身非常简洁：

# 假设 df 已经包含特征列和目标列 feature_cols = ["season_sin", "season_cos", "humidity_lag1", "pressure_lag1", "wind_speed_lag1", "temp_lag1", "temp_lag2", "temp_rolling7"] X = df[feature_cols].dropna() y = df.loc[X.index, "temp"] train_size = int(len(X) * 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:] from sklearn.ensemble import RandomForestRegressor model = RandomForestRegressor(n_estimators=200, max_depth=10, min_samples_leaf=3, n_jobs=-1, random_state=42) model.fit(X_train, y_train) y_pred = model.predict(X_test)

评估阶段我一口气看三个指标：MAE、RMSE 和 R²。MAE 是平均绝对误差，直观反映了预测温差；RMSE 对大误差更敏感，如果某天预测差 5°C，RMSE 会比 MAE 高不少；R² 表示模型解释了测试集多少方差，越接近 1 越好。

from sklearn.metrics import mean_absolute_error, mean_squared_error, r2_score mae = mean_absolute_error(y_test, y_pred) rmse = mean_squared_error(y_test, y_pred, squared=False) r2 = r2_score(y_test, y_pred) print(f"MAE: {mae:.2f}°C, RMSE: {rmse:.2f}°C, R2: {r2:.3f}")

我当时的基线结果大约是 MAE 1.4°C，R² 0.91。对一个只基于历史统计、不考虑物理方程的模型来说，这个精度已经足够支撑日常温度参考了。

3.2 参数调优：用网格搜索找到合理超参数

随机森林默认参数能跑，但距离最优还有空间。主要调四个参数：n_estimators、max_depth、min_samples_split 和 min_samples_leaf。n_estimators 控制树的数量，太少则方差大，太多则训练变慢且后期收益极低；max_depth 限制每棵树能连续切多深，防止学到过于复杂的噪声；min_samples_leaf 要求叶子节点至少包含多少样本，相当于给预测值做平滑。

调参时最关键的一个坑是交叉验证方式。如果直接GridSearchCV(cv=5)，默认会做分层 K 折，这对分类问题尚可，但在时间序列场景中会让模型用未来的数据验证过去，导致参数偏好失真。所以必须传一个 TimeSeriesSplit 实例给cv：

from sklearn.model_selection import GridSearchCV param_grid = { "n_estimators": [100, 200, 300], "max_depth": [8, 10, 12], "min_samples_leaf": [2, 3, 5], "max_features": ["sqrt", 0.5] } grid = GridSearchCV( RandomForestRegressor(random_state=42), param_grid, cv=tscv, scoring="neg_mean_absolute_error", n_jobs=-1, verbose=1 ) grid.fit(X_train, y_train) print(grid.best_params_)

这里 scoring 我选了 neg_mean_absolute_error，它更贴近业务关注的平均温差，而不是像 R² 那样容易被极端样本主导。GridSearchCV 在 TimeSeriesSplit 上大约会跑几十组参数，在几万条样本内也就十几分钟，完全可以接受。

运行完毕后，最好的三个参数组合我通常会对比它们的测试集 MAE。印象中 max_depth 从默认的无限制降到 8 到 10 后，验证误差反而下降，说明决策树深度过大确实存在过拟合。min_samples_leaf 也不宜过小，否则树会记住个别特殊天气。

3.3 特征重要性解释与应用

sklearn 的随机森林训练后有一个feature_importances_属性，可以直接查看每个特征对预测的贡献。我用它做初步筛选：

importance = pd.Series(model.feature_importances_, index=feature_cols) print(importance.sort_values(ascending=False))

在我跑的模型里，排在前几名的通常是 temp_lag1、temp_rolling7、season_cos 和 pressure_lag1。这很符合气象直觉：短期气温有很强的惯性，近期冷暖趋势比遥远的历史平均值更起作用，气压场变化又是冷暖空气活动的直接信号。

不过要注意，默认的基于基尼系数的特征重要性有一个偏差：它偏向数值型高基数特征，而且对特征之间的共线性很敏感。所以当我想要更严谨的特征排序时，会用permutation_importance做一次验证。它的原理是把某个特征的值随机打乱，观察模型误差下降多少，下降越多说明该特征越重要。这样得到的排序更可靠，只是计算成本略高。

from sklearn.inspection import permutation_importance perm_imp = permutation_importance(model, X_test, y_test, n_repeats=10, random_state=42, scoring="neg_mean_absolute_error")

如果两个方法的结果出现巨大差异，我会检查特征之间是否有强相关性，比如“前一天温度”和“七日滑动平均”本质上高度相关，保留其一即可，否则既增加计算量又让解释变得复杂。

4. 常见问题与排查技巧

4.1 数据泄漏：指标漂亮却没法落地

我在复现别人代码时见过最典型的错误：用当天的湿度、当天风速、当天气压去预测当天气温。训练时模型发现温度跟同刻气压高度相关，R² 能飞到 0.98，测试集也表现完美。可一旦需要做真正的预测，这些所谓的特征在“当天”还没发生时根本拿不到，模型瞬间失去了常用特征，预测值退化成历史平均，直接没法用。

排查方法很简单：列出模型用到的所有特征，逐一问自己“在预测目标时间点之前，我是否已经知道这个值？”如果答案是“预测当天上午需要当天下午的风速”，那就是泄漏。正确的做法是统一把特征全部替换成滞后版本，比如前一天湿度、前一天风速、前三日平均气压。

4.2 极端气温捕捉不到

随机森林没有外推能力，这是它在气象预测中最明显的短板。如果测试集包含一段热浪，期间温度超过了训练集中出现过的最大值，模型预测值就会被压缩在训练集的历史极值附近，误差会瞬间扩大。

我遇到的一次情况是，训练集最高温 37°C，测试期某天实际 39°C，模型只预测了 35.8°C。后来我做了两个调整：一是在训练阶段加入一个“极端天气标记”，比如气压变化率异常和气温超过历史 95 分位的标记，帮模型提前识别异常情景；二是将预测目标从原始气温改为距平值（气温减去同期历史平均），这样模型预测的是“偏离通常态的幅度”，在一定程度上缓解了对极端值记忆不足的问题。当然，要彻底解决还是得引入物理模型或分位数随机森林，后者能给出预测区间而不是单点值。

4.3 模型训练慢且内存占用高

随机森林虽然比深度学习轻量，但盲目加大参数也会跑不动。有人一上来就设 n_estimators=1000，而且不限制 max_depth，结果一棵树就长出几千个节点，内存直接耗尽。

实操上，树的数量在 100 到 300 之间已经是收益递减区。我用 200 棵和 500 棵做过对比，MAE 差距不到 0.05°C，但训练时间翻了近三倍。同时一定设置max_depth和min_samples_leaf，这能显著减小树体积。别忘了n_jobs=-1让所有 CPU 核一起工作。如果数据量超过十万条，我会先把样本做一次降采样，或者改用 HistGradientBoosting，但这是后话。

4.4 问题速查表

我个人在实际操作中最大的体会是：随机森林在气温预测里最大的价值不是“精度碾压”，而是它作为基线模型，稳定、易用、可解释。调半天参数，其实 1°C 的平均误差已经被固定在那里，再往下压需要换更强的模型。但在那之前，先用随机森林把特征思路和数据链路理顺，能帮你省掉大量返工时间。最后再分享一个小技巧：训练完成后一定要把模型用 pickle 或 joblib 保存下来，同时把“特征列顺序”一起保存，因为模型在预测时会按照训练时的列顺序解释输入，列顺序一变，预测结果就全乱了。这个细节，我替你们踩过坑。