温度预测（今年冬天温度预测）

今夏气候趋势预测》。天气预报显示，今年夏天的平均气温将在16.5摄氏度至28.5摄氏度之间。主要气候因素及气象灾害预测:种植期雨水:预计除省中部少数雨天外，其他地区雨水集中，种植期雨水满足。高温少雨期/干旱:预计6月无明显“洗手”天气。7月中旬以来，当地旱情逐渐发展，铜仁市南部、黔东南州、黔南州东部出现中度至中度夏旱。7月中旬下旬至8月中旬上旬，我省东北部、赤水河流域及南部边缘地区出现阶段性高温天气的可能性较大。机器学习中温度预测属于什么问题。根据中国气象局预测2022年冬天，我国大部分地区的气温接近往年。

今年夏季气温预测

今夏气候趋势预测》(简称“预测”)。天气预报显示，今年夏天的平均气温将在16.5摄氏度至28.5摄氏度之间。与常年相比，除毕节、六盘水、安顺、黔西南州部分地区外，其他地区气温偏高0.5 ~ 1.5℃。

省气候中心对气候趋势预测如下:预计2022年夏季(6-8月)降水量在300-1100毫米之间，与常年同期相比，铜仁市大部、黔东南、黔南、安顺东南部、黔南东部、贵阳东部降水量偏少20-50%，其他大部地区偏多20-50%；夏季的平均温度在16.5℃到28.5℃之间。与常年同期相比，除毕节市、六盘水市大部、安顺市西北部、黔西南州北部外，其他地区气温偏高0.5 ~ 1.5℃。

主要气候因素及气象灾害预测:

种植期雨水:预计除省中部少数雨天外，其他地区雨水集中，种植期雨水满足。

雨水集中期:预计降雨集中期主要出现在6月上旬至中旬、7月中旬和8月中旬上旬。预计将出现6 ~ 8次区域性暴雨，较常年同期略偏多。中国西北地区容易发生山洪、泥石流和滑坡等地质灾害。

高温少雨期/干旱:预计6月无明显“洗手”天气。夏季高温日数比7月多1 ~ 4天，8月正常。7月中旬以来，当地旱情逐渐发展，铜仁市南部、黔东南州、黔南州东部出现中度至中度夏旱。7月中旬下旬至8月中旬上旬，我省东北部、赤水河流域及南部边缘地区出现阶段性高温天气的可能性较大。

机器学习中温度预测属于什么问题

的神奇用的人都说话，不过在使用RNN的时候，还是需要知道一些技巧，有利于我们实现更符合预期的模型，本文将会介绍以下三种技巧。

循环dropout（recurrent dropout）。这是一种特殊的内置方法，在循环层中使用dropout 来降低过拟合。

堆叠循环层（stacking recurrent layers）。这会提高网络的表示能力（代价是更高的计算负 荷）。

双向循环层（bidirectional recurrent layer）。将相同的信息以不同的方式呈现给循环网络， 可以提高精度并缓解遗忘问题。

温度预测问题

我们将使用一个天气时间序列数据集，它由德国耶拿的马克思 • 普朗克生物地球化学研究所的气 象站记录。在这个数据集中，每 10 分钟记录 14 个不同的量（比如气温、气压、湿度、风向等），其中包含多年的记录。原始数据可追溯到2003 年，但本例仅使用2009—2016 年的数据。这个数据 集非常适合用来学习处理数值型时间序列。我们将会用这个数据集来构建模型，输入最近的一 些数据（几天的数据点），可以预测 24 小时之后的气温。下载并解压数据，如下所示。

cd ~/Downloads

mkdir jena_climate

cd jena_climate

wget unzip jena_climate_2009_2016.csv.zip

1

2

3

4

5

1

2

3

4

5

来观察一下数据。

import os

data_dir = 'sample_data'

fname = os.path.join(data_dir, 'jena_climate_2009_2016.csv')

f = open(fname)

data = f.read()

f.close()

lines = data.split('\n')

header = lines[0].split(',')

lines = lines[1:]

print(header)

print(len(lines))

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

从输出可以看出，共有420 551 行数据（每行是一个时间步，记录了一个日期和14 个与天 气有关的值），还输出了下列表头。

['"Date Time"', '"p (mbar)"', '"T (degC)"', '"Tpot (K)"', '"Tdew (degC)"', '"rh (%)"', '"VPmax (mbar)"', '"VPact (mbar)"', '"VPdef (mbar)"', '"sh (g/kg)"', '"H2OC (mmol/mol)"', '"rho (g/m**3)"', '"wv (m/s)"', '"max. wv (m/s)"', '"wd (deg)"']

420551

1

2

1

2

接下来，将 420 551 行数据转换成一个 Numpy 数组。

float_data = np.zeros((len(lines), len(header) - 1))

for i, line in enumerate(lines):

values = [float(x) for x in line.split(',')[1:]]

float_data[i, :] = values

1

2

3

4

1

2

3

4

比如，温度随时间的变化。在这张图中，你可以清楚地看 到温度每年的周期性变化。

temp = float_data[:, 1]

plt.plot(range(len(temp)), temp)

plt.show()

1

2

3

1

2

3

准备数据

这个问题的确切表述如下：一个时间步是10 分钟，每 steps 个时间步采样一次数据，给 定过去 lookback 个时间步之内的数据，能否预测 delay 个时间步之后的温度？用到的参数值 如下。

lookback = 720：给定过去 5 天内的观测数据。

steps = 6：观测数据的采样频率是每小时一个数据点。

delay = 144：目标是未来 24 小时之后的数据。 开始之前，你需要完成以下两件事。

将数据预处理为神经网络可以处理的格式。这很简单。数据已经是数值型的，所以不需 要做向量化。但数据中的每个时间序列位于不同的范围（比如温度通道位于-20 到 +30 之间，但气压大约在1000 毫巴上下）。你需要对每个时间序列分别做标准化，让它们在 相似的范围内都取较小的值。

编写一个 Python 生成器，以当前的浮点数数组作为输入，并从最近的数据中生成数据批 量，同时生成未来的目标温度。因为数据集中的样本是高度冗余的（对于第 N 个样本和 第N+1 个样本，大部分时间步都是相同的），所以显式地保存每个样本是一种浪费。相反， 我们将使用原始数据即时生成样本。

2022年与往年同期气温对比

比往年偏高。

根据中国气象局预测2022年冬天，我国大部分地区的气温接近往年。或比往年偏高。虽然不排除有气温起伏，但是出现冷冬的概率几乎为零。过年的时候偶尔有几天低气温天气，其它的时候都是比较温暖的。2022年全年的气候和往年没啥太大变化。

2022年冬天，我国大部分地区的气温接近往年，或者比往年偏高，虽然不排除有气温起伏，但是出现冷冬的概率几乎为零。过年的时候偶尔会有几天低气温天气，其他时候都是比较温暖的。

随着全球变暖，夏季气温越来越高。与2022年乃至往年相比，2022年气温处于上升状态。而且，随着厄尔尼诺现象的不断加强，高温天气将变得越来越极端。夏季外出时最好避开温度最高的时段，并应采取防晒措施，避免其晒伤。

由于全球变暖，2022年夏季天气将逐渐转暖。七八月份，人们常常觉得天气很热，很难忍受。2022年夏季，降水量也比较大。因此，人们常常感到闷热潮湿。中国南方的湿度也会很大。除了防晒防暑外，日常生活中还应采取除湿措施。

c语言气温波动最大值

首先看下2011年到2015年苏州整体的温度表现是什么样的。

plot(suzhou$highestTemp,type="l",col="red",main="苏州2011-2015年气温图",xlab="时间轴",ylab="温度℃")

lines(suzhou$lowestTemp,type="l",col="blue")

legend("topright",c("最高气温","最低气温"),col=c("red","blue"),lty=1)

0818b9ca8b590ca3270a3433284dd417.png

红色是最高气温，蓝色是最低气温，年度季节性的特征很明显。每年都是先升再降，7、8月份是温度最高的时间，1、2月是温度最低时间。

因为时间太长，横轴没有具体的对应点。

同样，按月取平均值，再来看整体的表现。

avgTemper

diffTemper

length(avgTemper)

length(diffTemper)

for(i in2011:2014){

for(j in 1:12){

print((i-2011)*12+j)

avgTemper[(i-2011)*12+j]

diffTemper[(i-2011)*12+j]

}

}

avgTemperTS

plot.ts(avgTemperTS,main="苏州2011-2014年月平均气温图",xlab="时间",ylab="月平均温度℃")

0818b9ca8b590ca3270a3433284dd417.png

四年月平均气温有一个很明显的周期性规律，明显能看出来2013年7、8月份气温高于其他三年。

换一种方式，将每年的数据放在同一个时间轴上，可以更明显看出来每年的温度走势都非常接近，并且对比图中，2013年夏季比其他几年都热，查了一下，最高气温能达到41摄氏度，是2013-8-8，当天最高气温41度，最低气温也有31度。

plot.ts(avgTemperTS[25:36],col="red",main="苏州2011-2014年月平均气温图",xlab="月份",ylab="月平均温度℃")

lines(avgTemperTS[1:12],col="black")

lines(avgTemperTS[13:24],col="blue")

lines(avgTemperTS[37:48],col="green")

legend("topright",c("2011","2012","2013","2014"),col=c("black","blue","red","green"),lty=1)

0818b9ca8b590ca3270a3433284dd417.png

which.max(suzhou[,2])

suzhou[940,]

0818b9ca8b590ca3270a3433284dd417.png

那么苏州的温差又有什么特点呢，什么时候是一年中温差最大的时候？同样看四年的整体表现和对比图。

diffTemperTS

plot.ts(diffTemperTS,main="苏州2011-2014年月最大温差图",xlab="时间",ylab="月最大温差℃")

plot.ts(diffTemperTS[25:36],col="red",ylim=c(8,23),main="苏州2011-2014年月最大温差图",xlab="月份",ylab="月最大温差℃")

lines(diffTemperTS[1:12],col="black")

lines(diffTemperTS[13:24],col="blue")

lines(diffTemperTS[37:48],col="green")

legend("topright",c("2011","2012","2013","2014"),col=c("black","blue","red","green"),lty=1)

0818b9ca8b590ca3270a3433284dd417.png

0818b9ca8b590ca3270a3433284dd417.png

上面两个图中，都有一个好大的波峰，没错又是任性的2013年。整体上来看温差比较大的时间是3、4月，正是现在，换季的时节天气很是自在随性。那么那个孤高的波峰是哪一天呢？我们可以看看。

which.max(suzhou$highestTemp[grep(paste(2013,"-",3,"-",sep=""),suzhou$date)]-suzhou$lowestTemp[grep(paste(2013,"-",3,"-",sep=""),suzhou$date)])

suzhou[grep("2013-3-9",suzhou$date),]

0818b9ca8b590ca3270a3433284dd417.png

最后，我想用时间序列来做温度走势的预测。因为R中周期性的时间序列数据需要每期数据项相同，但是这里2011年-2014年每年的数据项都不同(天气篇中开篇讲到了分别是354、366、365、365)，所以我把这个时间序列的周期定为360，按顺序取数据的话，2011年因为1月份少了10天，所以2011、2012年会有一些时间和对应的温度错位。考虑到温度是连续型变量，小范围的变动应该不会对整体的时间序列的预测产生很大的影响。

最高温度和最低温度分别定为一个时间序列，并将其在同一个图上显示出来。

highestTS

plot.ts(highestTS,col="red")

lowestTS

lines(lowestTS,col="blue")

0818b9ca8b590ca3270a3433284dd417.png

这是周期性特别明显的数据，所以考虑使用HoltWinters指数平滑方法来做时间序列的分析预测，用这个方法分别对最高温时间序列数据和最低温时间序列数据分别做平滑得到平滑模型然后来做气温的预测。

highestForecasts

highestForecasts

lowestForecasts

lowestForecasts

0818b9ca8b590ca3270a3433284dd417.png

0818b9ca8b590ca3270a3433284dd417.png

上面模型的平滑参数alpha、beta、gamma，分别是平滑指数、趋势指数、季节指数，参考，值alpha越大说明对远期也就是以前年份的数据参考权重越大，另外gamma越大说明这个时间序列的季节性特点会越明显。

接下来对这两个时间序列做预测。要用到forecast包，定义预测150天的气温。

library("forecast")

highestForecast2

lowestForecast2

plot(highestForecast2$mean,ylim=c(-4,32),col="red",main="苏州2015年最高最低气温预测时序图",xlab="时间",ylab="温度℃")

lines(lowestForecast2$mean,col="blue")

legend("topright",c("最高气温","最低气温"),col=c("red","blue"),lty=1)

0818b9ca8b590ca3270a3433284dd417.png

这个是预测的最高最低气温的图，但是到底预测结果可信度高不高呢？

Box.test(highestForecast2$residuals,lag=20,type="Ljung-Box")

Box.test(lowestForecast2$residuals,lag=20,type="Ljung-Box")

0818b9ca8b590ca3270a3433284dd417.png

参考文章里面讲到了几种检验方式，这里我们用Ljung-Box检验方式，可以看到两个时间序列的检验结果p值都非常小，所以模型的预测是有效的。

突然想起来，2015年不是已经过了三个月了嘛，我们也有前面三个月的数据，那么接下来就把预测结果和实际结果放在一个图中对比看预测效果。本来想把四条线放在一起查看，但是比较混乱所以还是分开看。

highestFactTS

lowestFactTS

plot(highestForecast2$mean,col="red",main="苏州2015年最高气温预测观察值时序图",xlab="时间",ylab="温度℃")

lines(highestFactTS,col="orange")

legend("topleft",c("实际值","预测值"),col=c("orange","red"),lty=1)

0818b9ca8b590ca3270a3433284dd417.png

plot(lowestForecast2$mean,col="blue",main="苏州2015年最低气温预测观察值时序图",xlab="时间",ylab="温度℃")

lines(lowestFactTS,col="green")

legend("topleft",c("实际值","预测值"),col=c("green","blue"),lty=1)

0818b9ca8b590ca3270a3433284dd417.png

没有重合，怎么可以不重合！开玩笑，重合是不太可能的，从上面两个最高气温和最低气温的预测值与观察值的图都能看出来预测值比实际值都有些偏低。但是预测结果与实际结果相比相差不大，并且整个变化趋势还是接近的。给出这个模型预测的接下来苏州地区50天的温度预测，当然，这个结果只能做一个参考，你是愿意看天气预报呢，还是看它呢？

predictTemp

predictTemp$date

predictTemp$highestTemp

predictTemp$lowestTemp

predictTemp

0818b9ca8b590ca3270a3433284dd417.png

0818b9ca8b590ca3270a3433284dd417.png

人是怎么预测冷空气温度的

身体感受。人是通过身体的感受预测冷空气温度的，身体感觉越冷说明冷空气温度越低。冷空气是指使所经地点气温下降的空气。