基于SVM的降水量预测模型实战：SVR回归、特征构造与调参要点-开发者社区

简介：一套基于支持向量机（SVM）的降水量预测模型代码包，面向机器学习、人工智能及数据挖掘方向的初学者和研究人员，可用于算法复现、实验对比和毕业设计参考。资源内共 54 个文件，以 26 个 .m 主程序为核心，覆盖数据读取、特征处理、模型训练、预测与结果评估；配以 .mat 样本数据、.c/.h 辅助源码和 .mexw32 编译模块，便于理解 MATLAB 环境下 SVM 的调用方式与工程化打包流程；另有 readme、说明文档和若干 txt 文本记录，帮助快速定位关键参数。整个压缩包仅 291KB，结构轻量，适合快速下载、本地调试与二次开发。该资源已有 2423 人学习下载，是结合气象预测场景入门 SVM 建模的不错参考；代码从数据准备到指标输出链路完整，可直接修改数据路径与超参数，迁移到其他回归或分类任务中。

1. 一条SVM降水量预测代码跑通之前，先想清楚这三件事

把“基于SVM支持向量机算法的降水量预测模型代码”这个标题丢给我的时候，我第一反应不是什么核函数、什么调参技巧，而是先问一句：你手里那份日降水数据，零值占比到底有多高？大部分气象站的逐日降水记录，无雨天数能占到60%以上，这种分布会让SVM回归模型学成一个“总是预测平均雨量”的废物。网上能搜到的示例代码，多半是sklearn里三行SVR加一个随机切分，跑出来R²挺好看，挪到第二年的真实数据上立刻被打回原形。这篇文章不打算复述某份现成代码，而是按一个能落地的顺序重写一遍：降水序列怎么变成SVM能吃进去的监督样本，C、epsilon、gamma这些参数怎么设，以及模型上线前最容易翻车的几个现场。适合手里有气象站逐日降水记录、想立刻跑通并判断结果能不能用于业务的人。

2. 为什么SVM能预测降水量：先搞懂SVR回归与滑窗特征

2.1 SVR不是分类器：ε不敏感带、支持向量与“稀疏解”直觉

很多人一听到支持向量机，脑子里全是分类超平面、硬间隔那一套。做回归的SVR，逻辑其实不一样：分类是找一个超平面把两类样本尽可能拉开；而SVR是找一个“管道”，让大部分样本落在管道内部，只有管道外面的样本才产生损失。这个管道的半径叫ε，管道的中心就是回归曲线。落在带内的样本不参与模型决策，SVR最终只由管道边界上一小撮样本决定，所以它的解是稀疏的。落到降水预测上，这个特性很贴合实际：无雨的日子大多落在带内，真正影响模型形态的是那些强降水过程，模型不需要记住每一个晴天。

sklearn里的SVR底层走的是libsvm的SMO求解，可以把它理解成一种沿着坐标方向的梯度式迭代，用户不需要手写优化过程。但搞清楚这个背景能帮你定位问题：SVR的训练开销随样本量增长非常快，核矩阵计算复杂度差不多是O(n²)到O(n³)，这也是后面“样本过万就卡死”那类翻车现场的根本原因。

那为什么降水预测适合用SVM而不是一上来就上XGBoost或Prophet？气象站点的有效记录往往只有几百到几千天，特征量在十几个到几十个之间。SVM在小样本、非线性场景下泛化能力比树模型稳，RBF核能把“前几天降水组合导致今天有雨”这类非线性关系映射到高维空间。树模型在大样本下对极端降水拟合更猛，但站点数据没那么多，SVM反而更容易被训练充分。

2.2 把单变量降水序列变成监督学习样本：滑窗法示例代码

SVM不理解“时间”，它只吃特征矩阵和标签。如果直接把日期序号当特征丢进去，模型学到的只是“月份和降水的大致关系”，完全丢掉了“昨天下了多少雨”这个最强信号。所以第一步必须把单变量时间序列转成监督学习格式，方法是滑窗法：用过去N天的降水值作为特征，预测当天的降水量。这也是单变量时间序列预测模型最常见的落地做法。

下面这段代码把降水列按滞后期拆成多列特征，同时生成一个三天滑动均值。

import pandas as pd import numpy as np def build_supervised(df, lag=3, window=3): data = df.copy() # 滞后特征：第t行的precip_lag_1等于t-1日的真实降水 for i in range(1, lag + 1): data[f"precip_lag_{i}"] = data["precip"].shift(i) # 滑动均值：先shift(1)再rolling，确保只用历史信息 data["precip_mean"] = data["precip"].shift(1).rolling(window, min_periods=1).mean() data = data.dropna() return data

逻辑上要盯住两个地方。第一，shift(i)是把整个序列往下挪i行，所以某一行里的precip_lag_1在时间上永远早于当天的标签，不会泄露未来。第二，rolling(window)默认会把当前时刻也纳入均值计算，所以必须先执行一次shift(1)再做滚动，否则特征里就混进了当天的真实值，测试阶段模型等于作弊。dropna()会丢掉序列开头没有完整历史的那几行，缺失行数等于lag值。

lag和window是滑窗法的两个核心超参。日降水短期自相关一般能持续2到7天，梅雨、台风这类天气过程有7到14天的记忆。我一般会先把lag=3跑通全流程，然后分别试5和7做对比；滑动窗口window=3对日降水已经够用，太长的窗口会把短时强降水信号平均掉。

2.3 核函数怎么选：线性核、RBF核与样本量的匹配

SVM支持向量机做回归时，核函数决定了模型能表达多复杂的非线性关系。线性核等价于对历史降水做加权平均，训练快、参数少，适合特征维度较高而样本量有限的情况。RBF核是气象预测里最常用的选择，它能表达“前三天连续小雨之后第四天出现大雨”这类组合式非线性关系。各核的适用场景可以粗略按下表判断。

核函数	适用场景	关键参数	训练速度
linear	特征较多、样本数千级以下	C	快
rbf	中小样本、特征十几到几十维	C、gamma、epsilon	中等
poly	少用，降水数据容易出现数值溢出	C、degree	慢

需要注意，RBF核有两个玄学参数：C和gamma。C控制对误差的惩罚，C越大模型越会拼命拟合训练集里的极端降水过程；gamma控制核的径向作用范围，gamma越大模型只关注离预测点很近的样本，容易把单次暴雨过程当成全局规律。在后面的调参章节里，这两个参数会放进网格搜索一起优化。如果样本量超过两万，RBF核的训练时间会暴涨，这时优先考虑线性核，或者干脆考虑XGBoost回归预测模型。

如果手里只有降水这一列数据，单变量模型完全能做，而且通常能跑出一个有意义的基线。气象站的观测记录里往往还有气温、气压、湿度等列，建议先单变量跑通，再加一两个外生变量做对照实验。多加变量不保证变好，但“前一天闷热”这类湿度信号，确实能让模型学到降水前兆。

3. 示例代码讲解：数据清洗、特征构造与时序切分

3.1 读入降水记录：缺失与零值是两种完全不同的状态

第一步是把气象站原始记录读进来，先看两个比例：缺失率和零值占比。这两个数字直接影响后面的建模策略。

import pandas as pd df = pd.read_csv("daily_precip.csv", parse_dates=["date"], index_col="date") df = df.sort_index() print("缺失率:", df["precip"].isna().mean()) print("零值占比:", (df["precip"] == 0).mean())

零值占比有物理含义，它表示“当天没下雨”，是有效观测；而NaN表示“这一天没有记录”，是缺测。这两者绝不能混为一谈。很多人图省事直接fillna(0)，结果就是给模型灌进去大量虚假的无雨日，强降水的信号被进一步稀释。

缺测的处理要看连续缺测的长度。连续缺测不超过3天，线性插值是可以接受的；连续缺测超过5天，插值出来的曲线就是纯黑匣子，没有任何物理依据，我一般直接把这段整段剔除。

df["precip"] = df["precip"].interpolate(limit=3, limit_area="inside") df = df.dropna(subset=["precip"])

interpolate(limit=3)表示最多只对连续3天的缺失做插值，超出部分保持NaN，随后被dropna剔除。limit_area="inside"限制只在序列中间插值，不延伸序列头部和尾部。跑完这段代码后，零值占比如果仍然超过60%，就要认真考虑后面讲的两段式方案，直接做SVR回归大概率只得到一个预测均值。

3.2 构造特征列：滞后降水、滑动窗口与外生变量

特征构造是整个流程里最影响模型上限的一步。滞后项捕获短期的自相关：昨天下了20毫米，今天还有没有雨？滑动窗口捕获天气过程的记忆：过去三天累计降雨量达到多少后，河流容易达到警戒水位。以下是我在降水预测里常用的特征集合。

# 滞后1到7天降水 for i in range(1, 8): df[f"precip_lag_{i}"] = df["precip"].shift(i) # 滑动均值与滑动最大值，注意先shift(1)再rolling for w in (3, 7): df[f"precip_mean_{w}"] = df["precip"].shift(1).rolling(w, min_periods=1).mean() df[f"precip_max_{w}"] = df["precip"].shift(1).rolling(w, min_periods=1).max() # 季节编码：用正弦余弦把一年中的第几天变成连续信号 doy = df.index.dayofyear df["doy_sin"] = np.sin(2 * np.pi * doy / 365.25) df["doy_cos"] = np.cos(2 * np.pi * doy / 365.25) # 外生变量示例：如果表里有湿度列，取前一天湿度 if "humidity" in df.columns: df["humidity_lag_1"] = df["humidity"].shift(1) df = df.dropna() feature_cols = [ "precip_lag_1", "precip_lag_2", "precip_lag_3", "precip_lag_4", "precip_lag_5", "precip_lag_6", "precip_lag_7", "precip_mean_3", "precip_mean_7", "precip_max_3", "precip_max_7", "doy_sin", "doy_cos", ] if "humidity_lag_1" in df.columns: feature_cols.append("humidity_lag_1") X = df[feature_cols].values y = df["precip"].values.reshape(-1, 1)

precip_max_7这个特征容易被忽略，但它很有用：如果过去7天里出现过一次30毫米以上的强降水，土壤饱和、产流条件变化，后续降雨的响应会明显不同。SVM没法自己“想起来”几天前那场暴雨，你得把最大值显式喂给它。季节编码用正弦余弦成对出现，是因为单用dayofyear会把1月1日和12月31日变成数值上的两个极端，而正弦余弦能把首尾连接起来，模型不会认为这两个日期相差很远。注意特征列表的顺序要写死，后续做滚动预测时要按同样的顺序构造每一行。

3.3 归一化与切分：为什么时间序列不能用train_test_split

SVR对特征尺度极其敏感。降水的量纲是毫米，湿度的量纲是百分比，气温的量纲是摄氏度，如果直接丢进模型，核函数算距离时数值大的特征会主导一切。所以要做MinMax缩放，把特征和目标都压到0到1之间。

from sklearn.preprocessing import MinMaxScaler split = int(len(df) * 0.8) X_train_raw, X_test_raw = X[:split], X[split:] y_train_raw, y_test_raw = y[:split], y[split:] scaler_x = MinMaxScaler(feature_range=(0, 1)) scaler_y = MinMaxScaler(feature_range=(0, 1)) X_train = scaler_x.fit_transform(X_train_raw) X_test = scaler_x.transform(X_test_raw) y_train = scaler_y.fit_transform(y_train_raw).ravel() y_test = scaler_y.transform(y_test_raw).ravel()

这里有两个必须遵守的纪律。第一，只能用训练集去fitscaler，再transform训练集和测试集；如果先对整个数据集fit_transform再切分，scaler就偷看了测试集的分布，相当于数据泄露。第二，切分必须按时间顺序，前80%训练、后20%测试。很多人习惯直接train_test_split，默认参数会随机打乱数据，让模型用过去的数据预测“未来”，这在时间序列里等于开了天窗。网格搜索阶段也不要再用默认的KFold，应该用TimeSeriesSplit，它的每一折都保证训练集在时间上严格早于验证集。

4. 训练SVM回归模型：C、epsilon、gamma与网格调参

4.1 最小可用的SVR训练与参数初值

特征构造完，先别急着调参，用一组保守的初始参数把全流程跑通。以下代码训练一个RBF核的SVR回归模型。

from sklearn.svm import SVR model = SVR( kernel="rbf", C=1.0, epsilon=0.1, gamma="scale", tol=1e-3, max_iter=10000, ) model.fit(X_train, y_train)

参数的初始值不要乱拍。C=1.0是sklearn默认，对降水预测来说是个不过不失的起点。epsilon=0.1的含义要结合目标变量已归一化成0到1来理解：模型允许大约0.1的误差而不产生损失。如果epsilon设成0.001，模型会把大量零降水日当作必须拟合的对象，支持向量的数量暴增，训练变慢，还容易过拟合；设成0.1则给模型留了余量，注意力集中在“是否下雨”和“雨量级”上。gamma="scale"表示让sklearn根据特征数量自动计算一个合理的初始值，这一步避免了gamma初值拍脑袋。

max_iter=10000建议显式写出来，否则数据量稍大时libsvm可能提前停止却不报错。如果训练完成后警告说未收敛，优先检查特征是否做了归一化，而不是盲目调大迭代次数。

4.2 TimeSeriesSplit网格搜索，用MAE而不是R²评分

跑通基线后，用网格搜索找一组更稳的参数。这里有两个容易踩的坑：交叉验证要用时间序列切分，评分要用MAE而不是R²。

from sklearn.model_selection import GridSearchCV, TimeSeriesSplit param_grid = { "C": [0.1, 1, 10, 100], "gamma": [0.001, 0.01, 0.1, "scale"], "epsilon": [0.05, 0.1, 0.2], } tscv = TimeSeriesSplit(n_splits=5) gs = GridSearchCV( SVR(kernel="rbf"), param_grid, scoring="neg_mean_absolute_error", cv=tscv, n_jobs=-1, ) gs.fit(X_train, y_train)

不使用默认的KFold是因为降水序列有强时间相关，随机切分会让模型在某几折里看到“未来”的数据，验证分数虚高，换到真实未来数据立刻崩掉。TimeSeriesSplit把训练集按时间切成5段，每次用前几段训练、后一段验证，模拟的是真实的预测场景。

评分为什么用平均绝对误差而不是R²？降水的分布是强右偏的，一年里可能只有十几天大雨，R²的计算会平方放大极端误差，导致网格搜索专门去拟合那几次暴雨过程，反而牺牲了绝大多数中小雨日的精度。水利调度这类业务最怕的就是大雨报成小雨，MAE直接衡量平均预报偏差，更贴合落地需求。如果样本量超过一万，RBF核的网格搜索会非常慢，可以先手动测C=1, gamma=0.01这一组，再围绕它缩小搜索范围。

4.3 逆变换与分雨日评估：模型好不好的真正口径

网格搜索会把最佳模型自动refit到全量训练集上，直接用gs.predict得到归一化尺度下的预测值，然后反变换回毫米。

y_pred_scaled = gs.predict(X_test) y_pred = scaler_y.inverse_transform(y_pred_scaled.reshape(-1, 1)).ravel() y_test_mm = scaler_y.inverse_transform(y_test.reshape(-1, 1)).ravel() from sklearn.metrics import mean_absolute_error, mean_squared_error, r2_score mae_all = mean_absolute_error(y_test_mm, y_pred) rmse = np.sqrt(mean_squared_error(y_test_mm, y_pred)) r2 = r2_score(y_test_mm, y_pred) hit = y_test_mm > 0.1 mae_rainy = mean_absolute_error(y_test_mm[hit], y_pred[hit]) print(f"全量MAE: {mae_all:.2f} mm, 有雨日MAE: {mae_rainy:.2f} mm, RMSE: {rmse:.2f} mm, R2: {r2:.3f}")

这里的关键口径是“有雨日MAE”。全部样本的MAE很容易被大量零降水日拉低，模型只要疯狂报零，全量MAE也会很好看；但如果单独统计实际降水量超过0.1毫米的日子，模型的真实水平立刻现形。如果全量MAE是1.2毫米，有雨日MAE却高达6毫米，这个模型在业务上基本不可用。

5. 降水预测最容易翻车的5个现场：现象、原因、处理

5.1 预测曲线是一条水平线

现象：测试集的预测值全部趴在某个常数附近，比如1.8毫米，强降水过程被完全抹平，预测曲线像一条直线。

原因：降水数据零值占比过高，SVR的ε不敏感带把绝大多数样本“吸”到了中心区域。模型发现，无论特征怎么变，预测一个中间值都能让大部分样本落在带内，损失最小。

解决：改用两段式。先用SVM分类判断“是否下雨”，再对雨量>0.1毫米的日子单独训练SVR回归。分类器的代码很简单：

y_binary = (y_train_raw.ravel() > 0.1).astype(int) clf = SVR(C=1.0, gamma="scale") clf.fit(X_train, y_binary)

SVR也可以当分类器用，输出的连续值靠近0表示无雨、靠近1表示有雨，取0.5作为阈值。第一段只回答“下不下”，第二段只回答“下多少”，两个模型各管一摊，比硬让一个SVR同时拟合零膨胀和强降水两端要稳得多。

5.2 训练集R²很漂亮，测试集R²为负

现象：训练集上R²超过0.9，测试集上R²变成负数，甚至比“每天预测历史均值”还差。

原因：十有八九是切分出了问题。要么用了默认的train_test_split随机打乱了时间顺序，要么特征构造时忘了shift(1)就做了滚动均值。还有一种隐蔽情况：数据原本没按日期排序，读进来之后没有sort_index，然后按行号切分，导致训练集和测试集日期交错。

解决：检查三件事——读入后是否按时间排了序，切分前是否禁止了shuffle，所有滚动特征是否都是在shift之后算的。再用一个最笨的基线模型做对照：拿历史同期均值当预测值，算它的MAE；SVM的测试集MAE如果连这个基线都打不过，说明特征或切分仍有问题，先别怀疑模型。

5.3 样本量一上万，RBF核SVR慢到怀疑人生

现象：几千个样本训练只要几秒；数据量过万之后，单次训练要几十秒，再叠加网格搜索，跑到凌晨都出不来，内存也飙到几个G。

原因：SVR求解时核矩阵的计算开销随样本量呈平方甚至立方增长。SVM的梯度下降类优化在特征上收敛很快，但核矩阵是绕不过去的瓶颈。

解决：按顺序试这三招。第一，降采样，保留最近两年完整数据，覆盖四季即可；第二，换线性核，配合标准化后效果往往不输RBF；第三，压缩网格规模，C、gamma各取3个值，一共18组。如果样本量超过5万，SVM已经不是一个合适的选择，该换XGBoost或Prophet就用，没必要和SVM硬刚。

5.4 反归一化后出现负降水

现象：测试集预测结果里出现-0.3毫米、-1.2毫米这种物理上不存在的负值。

原因：目标变量用MinMaxScaler压缩在0到1之间，但模型的预测值在边界外推时可能小于0，反变换回毫米就成了负数。

解决：最直接的办法是对预测结果做截断：

y_pred = np.clip(y_pred, a_min=0, a_max=None)

但clip只是掩盖症状。更根本的解法是构造目标变量时做log1p变换，让模型在log空间里回归，反变换时用np.expm1还原。log变换能压缩小雨和暴雨之间的巨大尺度差，SVM回归出来的结果也更少出现负值。

5.5 网格搜索选出来的参数，换一年数据就废

现象：网格搜索在验证集上表现很好，参数选定后叠到完整测试集上，性能急剧下降，而且选出来的C和gamma往往特别大。

原因：两个问题叠加。一是用了默认KFold加R²评分，时间泄露和极端值主导让搜索过程过拟合了验证集。二是搜索范围给得太大，C和gamma的上限设到了1000甚至10000，模型有机会去死记某几次强降水个例。

解决：交叉验证换成TimeSeriesSplit，评分换成MAE，同时把参数范围限制在合理区间。C建议在0.1到10之间，gamma在0.001到0.1之间，因为特征已经归一化，gamma超过0.5就意味着模型只看离预测点极近的那几个样本，过拟合几乎是必然的。

6. 把SVM降水预测模型推进到业务：滚动预测与两段式判断

6.1 未来7天滚动预测：特征窗口每一步都替换成最新值

单日预测模型训练完毕，业务上往往要的是未来3到7天的降水量。滚动预测的做法不算复杂：预测出明天的雨量，把它当作“昨天的历史值”拼进特征窗口，再预测后天，如此循环。

def make_row_from_recent(recent, doy, feature_cols): r = list(recent)[-7:] row = { "precip_lag_1": r[-1], "precip_lag_2": r[-2], "precip_lag_3": r[-3], "precip_lag_4": r[-4], "precip_lag_5": r[-5], "precip_lag_6": r[-6], "precip_lag_7": r[-7], "precip_mean_3": np.mean(r[-3:]), "precip_mean_7": np.mean(r), "precip_max_3": np.max(r[-3:]), "precip_max_7": np.max(r), "doy_sin": np.sin(2 * np.pi * doy / 365.25), "doy_cos": np.cos(2 * np.pi * doy / 365.25), } return np.array([row[c] for c in feature_cols])

每推进一步，就把刚生成的预测值追加到recent里，再用新的doy重新构造特征。这一步要特别小心特征列顺序，feature_cols必须和训练时完全一致，差一列模型就全错。滚动预测有个固有的折叠误差：步数越多，误差累积越大。我一般最多滚7天，超过7天直接改报天气过程趋势，不再报具体毫米数。