简介：这是一套基于Python与随机森林算法实现气温预测的完整项目源码，面向毕业设计、课程设计及实际项目开发场景。代码经过严格测试，可直接运行并在此基础上二次扩展，覆盖数据预处理、模型训练、结果预测、误差评估等典型流程，帮助学习者快速掌握随机森林在回归预测任务中的落地方法。压缩包共15个文件，以4个py源码和4个xml配置为主，另含2个csv历史气温数据、3个txt说明以及dot与iml辅助文件，整体大小约4.27MB，目录简洁便于按模块阅读与修改。项目文件分类明确：py模块化实现核心逻辑，xml保存工程配置，txt记录说明与运行事项，csv提供样本数据，dot与iml辅助可视化及模型元信息。该资源已有324人学习下载，尤其适合需要快速完成课程设计、毕业论文或入门机器学习项目的Python开发者参考。
1. 随机森林做气温预测：这套源码能跑通什么，不能跑通什么
把一份随机森林气温预测源码下载下来，第一件事不是点运行，而是先搞清楚它的能力边界。我拆过不少类似项目，最常见的翻车是：拿到代码跑出 R² 0.9 就以为任务完成了，结果换一个城市的数据，误差直接翻倍。这套基于 Python 的随机森林气温预测源码，适合毕业设计、课程设计或者想入门机器学习回归项目的开发者，它能给你一条完整链路——从 CSV 数据清洗、特征构造到模型训练和评估，全流程可复现。但它不是通用天气预报引擎，它的预测对象是单点气象站的历史气温序列，用的是监督学习里的随机森林回归，不是时序模型。下面把这套源码的数据处理逻辑、训练参数和真正的坑逐一拆开。
2. 源码框架与随机森林选型：先从数据输入到预测输出的全链路拆解
2.1 源码包结构与启动流程
压缩包解压后是 temp-predict-master 目录，典型的课程设计工程布局。主程序入口是 train.py，调用 data_loader 模块加载 CSV 数据，经过特征工程模块构造训练集，再用 sklearn 的 RandomForestRegressor 完成拟合和评估。没有复杂的分布式框架，依赖集中在 pandas、numpy、sklearn、matplotlib 这几个常用库，环境配置成本很低。
入口脚本的设计值得留意：项目把数据加载、特征处理和模型训练分成了三个独立函数，方便在毕业设计答辩时按模块讲解。第一次跑通建议直接看 train.py 的 main 部分，搞清楚数据从哪个路径读入、特征列有哪些、测试集怎么切分。源码里默认的数据格式是这样：
# data_loader.py 核心片段 import pandas as pd def load_dataset(csv_path): df = pd.read_csv(csv_path, encoding='utf-8') # 期望的列：date, tmax, tmin, humi, wind, pressure df['date'] = pd.to_datetime(df['date']) df = df.sort_values('date').reset_index(drop=True) return df这里有两个关键参数需要注意。encoding 默认用了 utf-8，如果你的数据是从气象网站导出的 GBK 编码，这一步就会直接报 UnicodeDecodeError；另一个是 sort_values('date')，这一步确保时间序列按时间递增排列，防止后续构造滞后特征时顺序错乱。很多同学在这里翻车，因为 Excel 里手工编辑过的数据经常出现时间乱序。
数据列设计是气象回归的标准套路：tmax 是日最高气温，tmin 是日最低气温，humi 是相对湿度，wind 是风速，pressure 是气压。特征和目标的关系是一天预测一天，用当天的气象观测值预测当天的 tmax，也可以扩展成预测未来 24 小时，但那就需要改特征构造逻辑了。
2.2 随机森林回归为什么适合气温预测场景
气温预测本质上是回归问题，输入特征是连续值和离散值的混合体。选随机森林而不是线性回归或者 XGBoost，有几个实操层面的理由。首先是随机森林对特征量纲不敏感，气压的数值范围是 1000 左右，湿度是 0 到 100，风速可能是个位数，线性模型必须做标准化，而随机森林基于树的分裂机制，天然绕过了这个问题。
其次是随机森林对非线性关系和高阶交互项的捕捉能力强。气温和湿度、气压之间不是简单的线性叠加，树模型可以通过递归划分拟合出复杂的分段函数。一个真实案例是夏季午后雷暴前的闷热感——气压骤降、湿度飙升，这三个特征组合在一起对气温的影响是联动的，线性模型很难表达这种交互，随机森林可以。
还有一个被低估的工程优势：随机森林在数据量不大时也能稳定收敛。气象站一年的逐日数据只有 365 条，如果用深度学习模型，这个样本量容易过拟合；随机森林通过 Bootstrap 采样和多棵树投票，泛化能力更稳。源码里默认使用 100 棵树，这个参数在样本量小时已经够用。
3. 特征工程决定预测上限：从缺失值处理到滞后特征构造
3.1 缺失值与异常值的处理策略
气象原始数据里最让人头疼的不是算法选型，而是数据质量。传感器故障、网络中断、人工录入错误都会产生缺失值或异常值。源码里提供了一套可复制的处理逻辑：数值型缺失列用前向填充加插值，目标变量 tmax 的缺失直接用整行删除，因为目标值缺失时样本无法参与训练。
# feature_engineering.py 缺失值处理 def clean_missing(df): # 先说策略：特征列缺失用前向填充，避免引入未来信息 feature_cols = ['tmin', 'humi', 'wind', 'pressure'] for col in feature_cols: df[col] = df[col].fillna(method='ffill') df[col] = df[col].interpolate() # 目标列缺失直接剔除，防止模型学习到空值模式 df = df.dropna(subset=['tmax']) return df.reset_index(drop=True)这个处理顺序有讲究。先 ffill 再 interpolate 的做法，本质上是用上一个有效观测值填充当前的空位，然后用线性插值平滑突变——高温天气下传感器失效连续缺失两天时，ffill 会被前两天的高温主导，而 interpolate 能给出一个缓变的过渡值。但不要过度依赖插值，超过三天连续缺失时，插值出来的值几乎就是猜测，建议直接把该段数据剔除。
异常值处理用了 IQR 四分位距法，这是气象数据清洗的常见做法。气温高于 45 度或者低于 -30 度的极端记录，先标记出来，结合日期判断是否合理——北京七月出现 40 度是正常的，出现在一月就是异常。源码里是把超出 3 倍 IQR 的记录视为异常并替换为上下边界值，这种缩尾处理比直接删除更能保留样本量。
3.2 滞后特征构造：让模型看到时间上下文
随机森林不是时序模型，它把每一条样本当成独立个体来学习。但气温有明显的自相关性——今天的最高气温和昨天、前天的最高气温高度相关。为了把时间记忆注入树模型，源码采用了滑动窗口构造滞后特征的方式。
# 构造滞后特征：使用前 n 天的气象观测值 def build_lag_features(df, lag_days=3): for i in range(1, lag_days + 1): df[f'tmax_lag_{i}'] = df['tmax'].shift(i) df[f'tmin_lag_{i}'] = df['tmin'].shift(i) df[f'humi_lag_{i}'] = df['humi'].shift(i) # 删除含 NaN 的前几天数据，因为它们没有完整的滞后历史 df = df.dropna().reset_index(drop=True) return dfshift(i) 是核心操作，它把整列数据向下移动 i 行，让当天样本的前 i 天观测值对齐到当前行。lag_days=3 意味着模型知道前三天的情况，这个超参数直接影响预测精度。我一般会先试用 3，再用 5 做对比实验，气温的天气系统周期通常是三到五天，滞后窗口超过七天边际收益就会骤减。
注意代码里的 dropna() 必须保留，前几行因为 shift 产生了 NaN，如果不删除就直接进入训练，sklearn 会直接报错。另一个容易被忽视的细节是滞后特征只能作用于训练集切分之前构造，切分时一旦用随机打乱，就会把未来信息泄漏到训练集里了，这一点放在后面的避坑章节细说。
3.3 时间衍生特征与归一化
日期本身也是信息。源码从 date 列里提取了月、日、星期几三个衍生特征，用年份做验证集的划分依据。月份对气温预测的贡献极其显著——同一个城市的七月和一月气温可能差 30 度，这个特征比所有气象观测值都更能解释方差。
随机森林不需要数值归一化，但决策树对特征取值个数的偏好值得注意：取值多的连续特征会获得更高的分裂增益，模型可能会过度依赖气压这类高基数特征，而弱化星期几这种只有七个值的离散特征。缓解方案有两种，一种是把连续特征做分箱，另一种是给离散特征设定更高的分裂权重。源码里没有做特殊的平衡处理，实际使用时如果你发现 feature_importance 里 pressure 占比异常高，可以考虑做分箱。
4. 模型训练与参数调优：从默认参数到网格搜索的精调路径
4.1 基准训练脚本与数据集切分
源码里的训练脚本遵循机器学习项目的标准流程：加载数据、构造特征、切分训练集和测试集、训练模型、输出评估指标。关键点在于切分方法，这里用的不是常见的 train_test_split 随机切分，而是按时间顺序切分，前 80% 的数据做训练，后 20% 做测试。
# train.py 基准训练流程 from sklearn.ensemble import RandomForestRegressor from sklearn.metrics import mean_absolute_error, mean_squared_error, r2_score def split_by_time(df, train_ratio=0.8): train_size = int(len(df) * train_ratio) train_df = df.iloc[:train_size] test_df = df.iloc[train_size:] return train_df, test_df X_cols = [c for c in df.columns if c not in ['date', 'tmax']] X_train = train_df[X_cols] y_train = train_df['tmax'] X_test = test_df[X_cols] y_test = test_df['tmax'] model = RandomForestRegressor(n_estimators=100, random_state=42) model.fit(X_train, y_train) y_pred = model.predict(X_test)这段代码里最值得说的是按时间切分。气温预测场景下，如果随机打乱数据再切分，模型会在训练阶段看到测试集时间段附近的气温模式——这本质上是一种数据泄漏，会让评估指标变得虚高。毕业设计答辩时，如果评委问为什么不用标准 train_test_split，答案就是时间序列数据必须保持顺序完整性，用未来数据训练、用过去数据验证在逻辑上是站不住脚的。
参数方面，n_estimators 设为 100 是起步值。在样本量只有几百条时，100 棵树已经足够稳定，继续增加到 500 棵树只是增加训练时间，精度提升非常有限。random_state=42 必须固定，否则每次运行结果不一致，毕业论文里的实验数据就对不上了。
4.2 网格搜索调参与评估指标解读
基础模型跑通之后，真正的调参工作才开始。随机森林的主要超参数是 n_estimators 树的数量、max_depth 每棵树的最大深度、min_samples_split 内部节点再划分所需最小样本数、min_samples_leaf 叶节点最小样本数。源码里提供了一段网格搜索代码：
# hyperparameter_tuning.py 网格搜索调参 from sklearn.model_selection import GridSearchCV param_grid = { 'n_estimators': [50, 100, 200], 'max_depth': [None, 10, 20], 'min_samples_split': [2, 5, 10], 'min_samples_leaf': [1, 2, 4] } grid_search = GridSearchCV( estimator=RandomForestRegressor(random_state=42), param_grid=param_grid, cv=3, # 交叉验证折数 scoring='neg_mean_absolute_error', # 用 MAE 做评分，更贴近真实误差 n_jobs=-1 # 多核并行，加速搜索 ) grid_search.fit(X_train, y_train) best_params = grid_search.best_params_组合数量是 3×3×3×3 共 81 组，每组做 3 折交叉验证，数据量不大时跑起来还算快。需要注意 scoring 参数用了 neg_mean_absolute_error 而不是默认的 R²，因为 MAE 的量纲是摄氏度，它告诉你平均偏差几度，这个数字能直接写进毕业设计的结论部分。
拿到一组最佳参数后，我习惯的做法是用最佳参数重新在全部训练数据上训练一次，再用测试集评估。注意不要用交叉验证阶段的模型直接预测测试集，因为交叉验证里有数据子集的叠加，模型没见过完整的训练分布。
4.3 特征重要性分析与可视化验证
源码里的特征重要性输出是树模型解释性的体现，也是毕业设计报告中很讨巧的一张图。sklearn 的 feature_importances_ 返回每个特征对分裂增益的平均贡献占比，数值越高说明该特征对预测的贡献越大。
# 输出特征重要性 importance = model.feature_importances_ feat_names = X_cols for name, imp in sorted(zip(feat_names, importance), key=lambda x: x[1], reverse=True): print(f"{name}: {imp:.4f}")在稳定的实验配置下，tmax_lag_1 的重要性通常排第一位，这说明气温的短期惯性比湿度、风速这些突变因子更能影响当天温度。如果 tmax_lag_1 的重要性占比超过 60%，说明模型过度依赖自回归特征，气象观测数据没有有效参与决策，这时需要检查特征构造或者考虑加入更多气象特征。
5. 避坑指南：气温预测项目里最常见的五个翻车点
5.1 随机打乱数据集导致数据泄漏
现象：训练时 R² 高达 0.95，测试集表现也不错，但换到下一年的数据就暴跌到 0.6。
原因：切分训练测试集时用了 train_test_split 默认的随机打乱模式。气温序列是强自相关的，随机打乱后训练集里混入了测试集时间段附近的数据，模型相当于提前看到了答案。
解决：所有时间序列场景必须按时间顺序切分。用train_df = df.iloc[:int(len(df)*0.8)]方式，先排好序再切片。可以用df.sort_values('date')确认顺序，再检查索引是否连续。
5.2 缺失值填充时用了未来数据
现象：训练集指标正常，测试集上第一天的预测误差特别大。
原因：fillna(method='bfill') 或者 fillna(method='pad') 用错了方向。bfill 是后向填充，用未来值填历史空缺，在构造滞后特征时会把未来信息带进当天的特征向量。
解决：特征列的缺失统一用前向填充和插值，绝对不用未来值填充。检查代码里是否存在method='bfill'，有就改成'ffill'。插值时注意窗口设置，连续缺失超过三条记录时考虑直接删除。
5.3 日期解析格式不一致
现象：读入 CSV 后 date 列变成全 NaN，或者 pd.to_datetime 直接抛异常。
原因：气象数据导出时日期格式混杂，有的行是 2023-01-05，有的是 2023/1/5，还有 Excel 自动转成的时间戳数字。pd.to_datetime 在遇到混合格式时解析成功率极低。
解决：用pd.to_datetime(df['date'], format='%Y-%m-%d', errors='coerce')强制指定格式，errors='coerce' 让解析失败的变成 NaN，然后手动检查失败行的原始格式并统一。这个坑在中文版 Excel 导出的数据里特别常见。
5.4 归一化用在整个数据集上造成信息泄漏
现象：对温度和气压做了 StandardScaler 后训练，评估时用了同一条 pipeline，测试集表现反而变差。
原因：StandardScaler 在 fit 时使用全部数据计算均值和方差，这一步已经引入了测试集的分布信息。虽然随机森林对量纲不敏感，但如果你在特征工程阶段做了归一化，后续替换成其他模型就会出现泄漏问题。
解决：只对训练集 fit scaler，再分别 transform 训练集和测试集。或者直接放弃归一化，随机森林本身不需要这一步。
5.5 数据量太少导致随机森林过拟合
现象：训练集 R² 接近 1.0，测试集 R² 只有 0.5 左右。
原因：气象站逐日数据一年只有 365 条，扣除缺失值后可能只剩 300 条有效样本。100 棵不限制深度的树在这个样本量上能记住所有训练样本的噪声，导致泛化崩溃。
解决：限制 max_depth 为 10 到 15，设置 min_samples_leaf 至少为 2 或 3。或者增大数据量，把数据源扩展到过去五年。如果只有一年的数据，优先用简单模型，线性回归或岭回归可能比随机森林更稳。
6. 让预测结果更贴近实测：滞后残差修正与多模型交叉验证
预测值和真实值之间的差值序列往往不是随机的，它携带着模型没学到的周期性信息。一个低成本技巧是训练一个残差修正器：用随机森林预测完第一轮后，把y_true - y_pred作为新的目标变量，输入原始特征加预测值作为新特征，再训练第二层模型。这个堆叠思路在气温场景下通常能把 MAE 再压低 0.3 到 0.5 度。
具体实现时注意防止过拟合，残差修正模型的复杂度要明显低于主模型，我用 min_samples_leaf=5 的浅树效果最好。另外一个快速验证方法是用时间序列交叉验证替代单一切分，比如把三年数据按年切分成三折，每折轮换做验证集，取三次评估的均值作为最终指标。这个方法比一次性切分更稳，也是答辩时体现工程能力的一个亮点。
我就吃过不验证的亏——最初跑完测试集 R² 0.89 就收工了，结果换数据源后直接跌到 0.4。从那以后我每次都强制走一遍时间序列交叉验证，至少换两个不同年份的训练集，确认模型波动在可接受范围内才算真正跑通。希望帮到你，少走这段弯路。
本文还有配套的精品资源，点击获取
