- 🍨 本文为🔗365天深度学习训练营 中的学习记录博客
- 🍖 原作者：K同学啊
一、导入数据
1. 导入需要的库
其中，Seaborn是基于matplotlib的Python可视化库。它提供了一个高级界面来绘制有吸引力的统计图形，在matplotlib的基础上进行了更高级的API封装，从而使得作图更加容易，不需要经过大量的调整就能使你的图变得精致。
Pandas 库中 DataFrame 对象的一个方法，用于计算每个数值列的基本描述统计信息。
.describe() 是Pandas 库中 DataFrame 对象的一个方法，用于计算每个数值列的基本描述统计信息，可以将数据集的各个统计量以表格形式展示出来，其中包括：
count：非缺失值的数量。
mean：平均值。
std：标准差。
min：最小值。
25%：第一四分位数。
50%：中位数（第二四分位数）。
75%：第三四分位数。
max：最大值。
默认情况下，.describe() 只会计算数值特征的描述性统计量，如果需要包括所有特征，可以使用 include='all' 参数。还可以使用 exclude 参数排除某些特征的统计量
二、探索式数据分析（EDA）
2.1数据相关性探索
2.2是否会下雨
2.3地理位置与下雨的关系
2.4湿度和压力对下雨的影响
2.5气温对下雨的影响
三、数据预处理
3.1处理缺损值
3.2构建数据集
四、预测是否下雨
4.1搭建神经网络
python
from tensorflow.keras.optimizers import Adam
model=Sequential()
model.add(Dense(units=24,activation='tanh'))
model.add(Dense(units=18,activation='tanh'))
model.add(Dense(units=23,activation='tanh'))
model.add(Dropout(0.5))
model.add(Dense(units=12,activation='tanh'))
model.add(Dropout(0.2))
model.add(Dense(units=1,activation='sigmoid'))
optimizer=tf.keras.optimizers.Adam(learning_rate=1e-4)
model.compile(loss='binary_crossentropy',
optimizer=optimizer,
metrics="accuracy")
4.2模型训练
4.3结果可视化
五、总结
对使用 LSTM 模型进行天气预测任务的优缺点总结，并结合 Seaborn 可视化分析时常见的观察点进行说明：
一、LSTM 在天气预测中的优点
捕捉长期依赖关系，天气数据（如温度、湿度序列）具有强时间依赖性（如季节周期、连续数天的趋势）。LSTM 的门控机制（遗忘门、输入门、输出门）能有效学习长期模式。
可视化验证：使用 Seaborn 的 lineplot()绘制真实值 vs 预测值，可观察到模型对趋势拐点（如寒潮来临）的跟踪能力。
通过 lag_plot()分析残差自相关性，若滞后效应弱（点分布无模式），说明模型已捕捉长期依赖。
处理多元时间序列。天气预测需整合多变量（温度、气压、风速等）。LSTM 天然支持多输入特征，能建模变量间复杂相互作用。
二、LSTM 在天气预测中的缺点
2.1计算复杂度高
劣势：LSTM 参数量大，需大量数据和计算资源训练。
可视化验证：训练损失曲线（Seaborn lineplot()）收敛缓慢，需更多 epoch。
资源监控显示 GPU/CUP 占用率高且耗时长。
2.2超参数调优敏感
劣势：层数、隐藏单元数、学习率等显著影响结果。
可视化验证：
使用 boxplot()对比不同超参数组合的 RMSE 分布，可观察到性能波动大。
学习率扫描图（lineplot()损失 vs 学习率）显示最优区间狭窄。
2.3短期突变预测困难
劣势：对突发天气事件（如雷暴）响应滞后，因依赖历史模式。
可视化验证：
在突变时间点放大预测曲线（lineplot()），可见明显预测延迟。
误差时间序列图（lineplot()）在突变时段出现尖峰。
2.4长期预测误差累积
劣势：递归预测时误差逐步放大，尤其超过 7 天。
可视化验证：多步预测图中，随着时间步增加，预测区间（用 fill_between()绘制）显著变宽。
RMSE 随预测步长增长的曲线（lineplot()）呈上升趋势。