文章目录
-
- [01 本篇要解决什么问题](#01 本篇要解决什么问题)
- [02 背景：按目标时刻划分集合](#02 背景：按目标时刻划分集合)
- [03 实操：先把窗口与缺失处理做对](#03 实操：先把窗口与缺失处理做对)
- [04 一个具体例子：从最近24小时预测下一小时](#04 一个具体例子：从最近24小时预测下一小时)
- [05 常见问题与自测](#05 常见问题与自测)
- [06 本篇回顾与下一步](#06 本篇回顾与下一步)
01 本篇要解决什么问题
给定最近24小时的污染与气象观测，能否预测下一小时PM2.5？这和把一张图片分成某一类不同，样本的先后顺序本身就是任务条件。
本篇使用LSTM进行多变量单步预测，重点讲清时间划分、缺失值处理、滑动窗口、训练集标准化，以及与持续性基线的比较。
- 本篇关键词：时间切分、因果填补、滑动窗口、滚动预测、持续性基线、MAE/RMSE。
- 完成标志：仅用预测时刻之前的观测建立输入，在原始浓度单位下评价下一小时误差。
- 任务边界：单站历史数据的逐小时滚动实验，不是一次预测未来全年，也不能代表全城所有位置。
02 背景：按目标时刻划分集合
UCI Beijing PM2.5包含2010---2014年43824条小时记录，来自北京美国使馆的PM2.5与首都机场气象数据，原始CSV约1.9 MB，缺失值记为NA。
本篇按目标小时划分：2010---2012训练、2013验证、2014测试。先保留完整小时时间轴，不因为缺失污染值就直接删掉整行。
验证的第一个目标可以使用上一年末的历史观测，测试也可使用2013年末历史。它们在预测时已经发生，作为上下文是合理的；但不能把目标小时或之后的观测放入输入。
03 实操：先把窗口与缺失处理做对
（1）下载并核对连续时间轴
powershell
python examples/download_data.py --dataset pm文件保存为data/pm/pm25.csv。读取后按年、月、日、小时排序，检查时间戳唯一且逐小时连续；如果缺一整小时，应先明确补时规则，而不能把相隔两小时当成相邻一步。
（2）缺失输入只向过去寻找数值
对历史数值特征使用前向填补，尚无历史观测时固定用0，同时附加缺失标记。没有使用会读取未来点的双向插值或backfill。
python
import numpy as np
def causal_fill(values):
values=np.asarray(values,dtype=np.float64)
missing=~np.isfinite(values);out=values.copy();last=np.zeros(values.shape[1],dtype=np.float64)
for i,row in enumerate(values):
valid=np.isfinite(row);last[valid]=row[valid];out[i]=last
return out,missing.astype(np.float32)填补用于模型输入，真实目标仍以原始PM2.5为准：目标缺失时不训练、不评价该目标。这样不会把我们自己填出的标签当成真值。
保留时间轴也很关键。如果先dropna()，所谓24步输入可能跨过远超过24小时的实际时间，模型任务就悄悄变了。
（3）历史窗口和目标只差一个明确索引
默认lookback=24，对目标行t：
python
history = features[t - lookback:t] # 含t-1，不含t
target = original_pm[t] # 下一小时真实观测输入为[24,22]：7个历史数值量、对应7个缺失标记、4个风向one-hot，以及小时/月周期的sin/cos各两项。没有加入目标小时的真实气象观测。
历史数值包含PM2.5、露点、温度、气压、累计风速、累计降雪与降雨记录；固定风向类别为NE、NW、SE、cv。特征顺序写入检查点，推理不靠CSV列顺序猜测。
（4）标准化器只拟合选中的训练数据
输入均值/标准差从实际训练窗口涉及的唯一历史行计算，目标均值/标准差从实际训练目标计算。常量特征的标准差按1处理，避免除零。
验证与测试只应用这些参数。不能对五年数据整体标准化后再切分，那会把未来分布信息带进预处理。
小规模limit按每个时间段最早的有效目标小时截取，并不是全年随机抽样。这便于快速检查，但不能把几天的结果当成全年误差。
（5）用固定长度窗口训练LSTM
python
from torch import nn
class ForecastLSTM(nn.Module):
def __init__(self,features=22,hidden=32):
super().__init__();self.lstm=nn.LSTM(features,hidden,batch_first=True);self.head=nn.Linear(hidden,1)
def forward(self,x):
_,(hidden,_)=self.lstm(x)
return self.head(hidden[-1])布局为[N,24,22]，LSTM默认hidden=32，最终隐藏状态经线性层输出[N,1]。所有输入都是同长度历史窗口，因此无需沿用第27篇的变长打包。
训练使用标准化目标MSE，按验证同一损失最低保存权重。划好时间集合后，训练batch可以打乱顺序；问题是不能在原始时间行上随意打乱后再构造历史窗口。
（6）原始单位指标与持续性基线
输出反标准化后，MAE、RMSE按µg/m³报告，R²为无量纲指标。不能拿标准化空间里的误差数值冒充实际浓度误差。
持续性基线直接使用最近一个历史时刻的因果填补PM2.5作为预测。小时级数据往往具有较强连续性，神经网络应该和这个简单方法比较，而不是只证明loss能够下降。
本篇不裁剪负预测，原始数值如实进入评价。R²为负表示比测试真值均值这个参考更差；常量目标或样本不足时R²记null。
图：原创示意。预测t时只使用t之前的信息，填补不能反向读取未来。
04 一个具体例子：从最近24小时预测下一小时
小规模流程检查：
powershell
python examples/train_pm.py --epochs 2 --hidden 8 --limit-train 128 --limit-val 32 --limit-test 32 --batch-size 16
python examples/visualize_run.py --run artifacts/30_pm完整时间段的训练起点：
powershell
python examples/train_pm.py --epochs 20 --output artifacts/30_pm_full入口如下，因果特征、窗口选择与训练代码见公共附录。
python
"""Chapter30: next-hour PM prediction from historical observations only."""
from project_train import parser_for,train_project
if __name__=='__main__':train_project('pm',parser_for('pm','artifacts/30_pm').parse_args())准备包含同样字段的连续历史CSV，至少24小时：
powershell
python examples/predict.py --checkpoint artifacts/30_pm/best.pt --input data/my_history.csv --output artifacts/30_predict脚本以最后一个观测小时之后一小时为预测时刻。可以提供更长的已发生历史，帮助窗口起点之前的前向填补；不需要提供未来目标小时的真实天气或PM2.5。
测试采用滚动单步方式：时间推进后，新的已观测污染值可以进入后续窗口。这与从年初一次性生成全年轨迹是两种任务，结果不应混称为长期预测能力。
05 常见问题与自测
问题1：为什么不能随机划分全部小时行？
可能把未来数据分布和高度重叠的窗口混进训练与测试，应按预测时刻先后建立集合。
问题2：输入缺失可以用后一个小时补吗？
本篇不可以，那是预测时尚未发生的信息，采用过去方向填补。
问题3：目标缺失时也能填补后评价吗？
不能把自填标签当成真值。本工程跳过缺失目标，但保留其所在时间行作为历史轴。
问题4：验证窗口使用上一年末数据算泄漏吗？
过去已观测的上下文可以使用，关键是目标及未来观测不进入输入，标准化参数仍来自训练。
问题5：LSTM没有超过上一小时基线，结果要删掉吗？
应该保留并分析。它可能揭示训练不足、时间差异或模型尚未带来增益。
06 本篇回顾与下一步
时序预测首先是信息可用性的约定。时间切分、因果填补和窗口索引正确之后，再讨论模型容量与训练轮次才有意义。
| 中文 | 常见英文或写法 |
|---|---|
| 历史窗口 | Lookback Window |
| 前向填补 | Forward Fill |
| 持续性基线 | Persistence Baseline |
| 滚动单步预测 | Rolling One-step Forecast |
下一篇进入多通道传感器，把一段固定长度人体运动窗口分类为活动类别。