基于LSTM的多变量温度预测（python从入门到入坑）

关注

VIP免费原创最新推荐文章于 2026-09-12 12:04:49 发布 1.2w 阅读 AI 写同款· GEO 优化 ›

Merlion笔记（三）：多变量时间序列预测在许多情况下，通过提供这些变量的未来值以及过去值，我们可以获得更好的预测。这些变量可以是与目标变量相关的外部因素，通常可以提高模型的预测性能。在多变量时间序列预测中，可以将外生回归变量作为输入，帮助模型捕捉到更多的信息，从而改善预测结果。在这里，我们的任务是预测每周的销售额。我们希望我们的模型能够考虑可能影响消费者需求的变量（例如温度、消费者价格指数和失业率），因为对这些变量的了解可以提高销售预测的质量。在这里，我们先在训练数据上训练初始模型，然后使用滑动窗口的方法获取模型在训练数据上的预测结果。阅读详情

基于LSTM的多变量温度预测（python）

——我保证他能够运行，而且结果能够让你满意（如果你和我一样都是一个新手的话）

这里写目录标题

基于LSTM的多变量温度预测（python）

一、我为什么要写这些？

因为让人抓狂的课程大作业，我小组选择了一个多变量预测方面的课题，在我这个大三基本上还没接触过Python数据处理，甚至对神经网络什么的都只是仅限于听过的情况下，这个东西简直难如登天。

然后值得高兴的是网上有很多现成的值得快速模拟入门的代码，但是令人痛苦的是：杂乱无章而且缺乏解释，最后得出的结果也不能说明问题（结果很糟糕，不知道是什么原因）。

因此，我集网上多变量实例代码，结合自己的浅薄之见，做出如下总结，同时也是方便提醒自己——毕竟一星期速成的东西…希望能够支持我完成课程作业。

二、具体做了什么？

结合了多方经验，主要有

B站唐国梁老师的——TensoFlow2基于LSTM多变量共享单车使用预测（通过这个我快速入门了一些概念）
本文链接：https://blog.csdn.net/weixin_39653948/article/details/105927085（tf.keras 11: 时间序列预测之LSTM天气预测）网上大部分都是这个示例
以及该文章-本文链接：https://blog.csdn.net/weixin_38346042/article/details/119983658（基于LSTM温度时间序列预测，较于上面那个例子更深入，对特征进行了一些筛选）

然后我根据这些大佬的例子结合一些粗浅的理解——

学会使用Anaconda（下载python库的）和Jyputer（允许单步执行代码块）
通过python强大的绘图，肉眼扫描提取相关性特征（最有可能影响温度变化的东西）
实现了从零到有切分处理csv数据集
单手建立一个啥参数都不调的（或者叫照抄）的神经网络结构3层LSTM——单手是因为我使用cv大法的时候在吃东西
成功训练出了一个利用前3小时数据，精确预测下一小时温度的模型，精度达到了99%（可能是因为时间跨度短，我还不懂，不过确实能运行出结果了）

三、源代码切块加注释，恳请批评指正(●’◡’●)ﾉ

PS：代码是在Jyputer上运行的，使用的库是利用Anaconda下载的
如果有知道这个的小可爱，建议去知道一下，不要乱copy代码然后没有库然后在配置的时候因为tensorflow和python版本问题，相关库更新问题，还有莫名其妙的报错而愤怒摔键盘。

1. block1导入相关包

import tensorflow as tf
import matplotlib as mpl
import matplotlib.pyplot as plt
import numpy as np
import os
import pandas as pd
import seaborn as sns
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import MinMaxScaler
from sklearn.metrics import r2_score
from tensorflow.keras import utils,losses,layers,Sequential
from tensorflow.keras.callbacks import ModelCheckpoint,TensorBoard

2.读取csv数据集，搜索jena_climate_2009_2016数据集，需要的自己去下载

data_path="D:\WorkSpace\jena_climate_2009_2016.csv"
dataset=pd.read_csv(data_path,parse_dates=['Date Time'],index_col=['Date Time'])

dataset.shape#输出数组形状(420551, 14)（行，列）
dataset.tail()#输出尾5个列
dataset.head()#数据结构如下，输出头5个列
dataset.info()

在这里插入图片描述

3.画图看相关性，提取有效特征集

#肉眼观察法————下面三块可以不要
plt.figure(figsize=(16,8))
#作图辅助库
sns.lineplot(x='p (mbar)',y='T (degC)',data=dataset[:10000])
plt.show()

plt.figure(figsize=(16,8))
sns.lineplot(x='Tdew (degC)',y='T (degC)',data=dataset[:10000])
plt.show()

plt.figure(figsize=(16