LSTM空气质量预测与可视化分析：Python实战教程

简介：这是一套基于长短期记忆网络（LSTM）的空气质量数据预测与可视化分析系统，采用Python编程语言实现，面向计算机相关专业的高阶课程实践、毕业设计及机器学习入门人群。系统覆盖数据预处理、异常值清洗、归一化、多层LSTM网络构建、全连接输出与Matplotlib/Seaborn可视化等完整流程，并经学术导师评审，综合评分99分，均可复现污染物浓度趋势预测与预测精度变化曲线。压缩包共312个文件，约6.98MB，包含Python源码（.py、.pyc）、数据表格（.csv、.sqlite3）、Web可视化页面（.html、.css、.js）、样式表（.scss）等，目录结构划分清晰，便于按模块查阅。目前已有58人学习下载。使用者可依据附带的环境配置说明与示例数据集直接部署运行，或调整超参数、优化器进一步探索不同空气质量预警场景，适合作为课程作业、毕业设计及项目实训的重要参考资料。

1. 这个空气质量预测系统，值得用LSTM做吗

环境监测每小时产生一条记录，PM2.5、PM10、NO2 这些数据堆了大半年，却只在月底统计一下均值，这大概是很多环境数据从业者手头的真实状态。基于 LSTM 的空气质量预测与可视化分析系统（Python 实现）要解决的，就是把“沉睡的监测记录”变成“未来 24 小时的浓度趋势”，用过去几十个小时的多污染物序列预测下一小时甚至未来几小时的 PM2.5 浓度，再把预测结果画成能直接放进日报的趋势图。这套方案适合手里有历史监测数据、想预测但没搭过深度学习流程的人，也适合做设备寿命预测、传感器数据时序建模的工程师参考。它的核心不是刷出一个漂亮的 R²，而是把数据清洗、LSTM 建模、结果反标准化、可视化验证这一整条链路跑通。

2. 数据准备：从原始监测 CSV 到可训练的 LSTM 样本

LSTM 不直接吃 DataFrame，它吃的是形状固定的浮点数张量。数据里有空洞、有飘高值、有量纲不一致，这些不处理干净，后面模型结构再标准也白搭。这一章按“清洗 → 切分 → 标准化 → 构造窗口”的顺序，把原始 CSV 变成可训练样本。

2.1 监测数据长什么样：字段、时间粒度与缺失值规律

空气质量监测站导出的 CSV，常见结构是时间列加若干污染物浓度列，有的还带气象参数。小时级数据中最常用的字段如下。

字段	含义	典型量纲	备注
datetime	监测时间	小时级	必须解析成时间索引
PM25	细颗粒物	μg/m³	预测目标一般选它
PM10	可吸入颗粒物	μg/m³	与PM2.5强相关
NO2	二氧化氮	μg/m³	交通源污染指示
SO2	二氧化硫	μg/m³	燃煤源指示
CO	一氧化碳	mg/m³	燃烧源指示
O3	臭氧	μg/m³	夏季光化学污染
AQI	空气质量指数	无量纲	由各污染物折算

时间粒度建议选小时级。分钟级数据噪声太大，模型学到的是传感器抖动而不是污染规律；日级数据又太稀，一年才 365 条，不够喂 LSTM。小时级数据既有日内周期（早晚高峰、夜间累积），又不会让序列长到训练不动。

缺失值在这个场景里很常见。仪器校准会整段缺失，通信断点会造成长达几小时的缺口，还会偶尔出现浓度突然飙到上千的异常点。常见的错误是先 dropna 再训练，这个坑后面单独讲，先按稳妥方式处理。

import pandas as pd import numpy as np # 读取监测数据，datetime 直接解析为索引 df = pd.read_csv("air_quality.csv", parse_dates=["datetime"], index_col="datetime") df = df[["PM25", "PM10", "NO2", "SO2", "CO", "O3", "AQI"]] # 统计缺失量，决定用哪种处理策略 missing_info = df.isna().sum() print(missing_info) # 短段缺失：前向填充兜底 + 线性插值平滑 df = df.ffill().interpolate(method="linear", limit_direction="both") # 异常值裁剪：中位数 ± 5 倍 MAD，避免个别飘高值拖坏训练 mad = (df - df.median()).abs().median() lower = df.median() - 5 * mad upper = df.median() + 5 * mad df = df.clip(lower, upper)

这里没有用均值填充，是因为污染物浓度突变很有信息量，均值会把突变抹平。也没有直接用 3σ 法则，因为空气质量数据是重尾分布，高浓度事件本来就有，均值容易被极端值带偏，MAD 基于中位数更稳。先 ffill 再 interpolate 的原因是线性插值需要两端有值，纯 interpolate 在开头结尾会留下 NaN，ffill 先把边界兜住。注意 if 成段缺失超过几十个小时，ffill 会制造一段平台期，这种情况应该直接删除这一段并记录时间索引，而不是强行补。

2.2 先切分再缩放：MinMaxScaler 的正确使用顺序

很多入门代码先把整个数据集 MinMaxScaler 一下再切分训练验证集，这是时间序列预测里最容易踩的泄漏问题。MinMaxScaler 的 min 和 max 来自全量数据，等于验证集和测试集的取值范围已经混进训练阶段，模型等于提前看过部分未来信息，验证指标虚高，上线就崩。

正确做法是先按时间顺序切分，再只在训练集上 fit，验证集和测试集只做 transform。另外要单独给预测目标 PM2.5 建一个 scaler，因为后面评估时要把预测结果反标准化回真实浓度。

from sklearn.preprocessing import MinMaxScaler def split_and_scale(df, train_ratio=0.7, val_ratio=0.15): values = df.values.astype(np.float32) # [T, feature_num] n = len(values) n_train = int(n * train_ratio) n_val = int(n * val_ratio) # 严格按时间顺序切，绝不随机打乱 train_raw = values[:n_train] val_raw = values[n_train:n_train + n_val] test_raw = values[n_train + n_val:] # 特征统一缩放，只 fit 训练段 scaler_X = MinMaxScaler(feature_range=(0, 1)) train_scaled = scaler_X.fit_transform(train_raw) val_scaled = scaler_X.transform(val_raw) test_scaled = scaler_X.transform(test_raw) # 预测目标单独缩放，单独保存 scaler_y pm25_idx = df.columns.get_loc("PM25") scaler_y = MinMaxScaler(feature_range=(0, 1)) train_y = scaler_y.fit_transform(train_raw[:, pm25_idx].reshape(-1, 1)) val_y = scaler_y.transform(val_raw[:, pm25_idx].reshape(-1, 1)) test_y = scaler_y.transform(test_raw[:, pm25_idx].reshape(-1, 1)) # 返回特征序列和目标序列，以及用于反标准化的 scaler_y return (train_scaled, val_scaled, test_scaled, train_y, val_y, test_y, scaler_y) train_x, val_x, test_x, train_y, val_y, test_y, scaler_y = split_and_scale(df)

为什么选 MinMaxScaler 而不是 StandardScaler？污染物浓度是非负的，高浓度重尾会把 Z-score 的均值和方差拉偏，MinMax 把数据压到 0~1 之间，对 LSTM 这类以 sigmoid/tanh 为内部激活的网络更友好。PM2.5 在低浓度时接近 0，MinMax 不会生成负值，符合浓度物理意义。

切分比例 70/15/15 是经验值。空气质量小时级数据通常有几千到几万条，这个比例够用。如果数据量不足两千条，验证集和测试集会因为窗口滑掉开头一段后变得太小，这时可以把比例调成 80/10/10，或者改用时间序列交叉验证。

2.3 滑动窗口：把时序序列变成监督学习样本

LSTM 不是直接吃一维序列，它需要的是“过去一段窗口的特征 → 未来一个值”这样的样本对。这一步叫滑动窗口，也叫序列到样本的转换。

def make_windows(data, target, seq_len, horizon): """ 把连续时间序列切成 (X, y) 监督样本 data: 缩放后的全特征序列 [T, feature_num] target: 缩放后的目标序列 [T, 1] seq_len: 回看窗口长度（小时） horizon: 预测未来第几个时刻 """ X, y = [], [] for i in range(len(data) - seq_len - horizon + 1): X.append(data[i : i + seq_len]) # 目标取窗口结束后的第 horizon 个值 y.append(target[i + seq_len + horizon - 1]) return np.array(X), np.array(y) SEQ_LEN = 24 # 用过去 24 小时预测未来 HORIZON = 1 # 预测未来 1 小时 X_train, y_train = make_windows(train_x, train_y, SEQ_LEN, HORIZON) X_val, y_val = make_windows(val_x, val_y, SEQ_LEN, HORIZON) X_test, y_test = make_windows(test_x, test_y, SEQ_LEN, HORIZON)

X_train 的形状是 [样本数, 24, 7]，7 是特征数，正好符合 PyTorch 里 LSTM 要求的 (batch, seq_len, features) 布局。y_train 的形状是 [样本数, 1]，是未来那一小时的 PM2.5 归一化浓度。

SEQ_LEN 取 24 是因为空气污染有明显的日内周期：凌晨累积、早高峰抬升、午后扩散、夜间再累积，24 小时刚好覆盖一轮完整周期。如果数据里有明显的周周期（比如周末工业排放降低），可以尝试 168（一周小时数），但序列太长会显著拖慢训练，建议先跑 24，验证集上效果不够再考虑加长。HORIZON 取 1 是单步预测，模型结构最简单；想预测未来 6 小时，可以把 HORIZON 改成 6，但样本数会同步减少，且误差会随预测距离累积。

窗口构造这一步完成后，训练数据就不缺了。接下来进入模型搭建。

3. 用 PyTorch 搭 LSTM 空气质量预测模型：结构设计与训练参数

数据准备好之后，模型结构并不复杂。空气质量预测本质是回归问题，LSTM 负责从历史序列里提取时序特征，最后接一个全连接层输出浓度值。这一章把模型骨架、训练循环和关键参数一次说清。

3.1 为什么选 LSTM 而不是 RNN 或普通 MLP

普通 RNN 在长序列上存在梯度消失问题，时间步一长，前面的信息传不到最后。空气质量的规律恰恰是长依赖：今天夜间 PM2.5 的累积状态会影响明天早上的峰值，跨了十几个小时。LSTM 用遗忘门、输入门、输出门控制信息保留与丢弃，能把这种跨小时的相关性带到最后一步。

那为什么不用 MLP 直接喂“最近 24 小时的 PM2.5”做回归？可以，但 MLP 把 24 个时间步当独立特征，学不到“第 3 小时到第 4 小时的变化趋势”这种时序关系。LSTM 的循环结构在时间步之间共享权重，天然建模序列演化。

实现层面，PyTorch 比 Keras 更适合这个场景。一是调试方便，网络中间输出随手可以打印检查；二是滚动预测、自定义训练循环都更灵活；三是小时级空气质量数据量不大，CPU 也能训练，不需要分布式环境。

3.2 模型骨架：两层 LSTM 加回归头的实现代码

import torch import torch.nn as nn class LSTMPredictor(nn.Module): def __init__(self, n_features, hidden_size=64, num_layers=2, output_size=1, dropout=0.2): super().__init__() self.lstm = nn.LSTM( input_size=n_features, hidden_size=hidden_size, num_layers=num_layers, batch_first=True, # 输入形状用 (batch, seq_len, features) dropout=dropout # 两层及以上时，层间 dropout 生效 ) self.reg_head = nn.Sequential( nn.Linear(hidden_size, 32), nn.ReLU(), nn.Linear(32, output_size) ) def forward(self, x): # x: [batch, seq_len, n_features] out, _ = self.lstm(x) # out: [batch, seq_len, hidden_size] last = out[:, -1, :] # 取最后一个时间步的隐状态 return self.reg_head(last) # 输出 [batch, 1]

两个关键设计点。第一，取 out 最后一个时间步而不是全部时间步做平均，因为预测未来浓度时，最新的状态信息量最大，平均池化会把前面老旧状态混进来。第二，LSTM 的 dropout 参数只对多层结构的非最后一层生效，单层网络传 dropout 会被 PyTorch 忽略，这个行为容易让人误以为设置了没效果。

hidden_size 取 64 是小时级数据的稳妥起点。64 能捕获多污染物之间的交互，又不至于在几千条样本上过拟合。数据量超过两万条可以试 128，但训练时间会翻倍。num_layers 取 2 是权衡结果：1 层容易欠拟合，3 层在空气质量这类信噪比不高的数据上提升有限，反而更容易过拟合。

3.3 训练循环：loss、优化器、早停与随机种子

训练循环要解决三个问题：用什么损失函数、学习率怎么设、什么时候停。

import torch.optim as optim from torch.utils.data import TensorDataset, DataLoader # 转成 PyTorch Dataset，batch_first 的数据直接喂 train_ds = TensorDataset( torch.tensor(X_train, dtype=torch.float32), torch.tensor(y_train, dtype=torch.float32) ) val_ds = TensorDataset( torch.tensor(X_val, dtype=torch.float32), torch.tensor(y_val, dtype=torch.float32) ) train_loader = DataLoader(train_ds, batch_size=64, shuffle=True) val_loader = DataLoader(val_ds, batch_size=64, shuffle=False) model = LSTMPredictor(n_features=X_train.shape[2], hidden_size=64, num_layers=2) optimizer = optim.Adam(model.parameters(), lr=1e-3) criterion = nn.MSELoss() # 固定随机种子，否则调参像抽卡，同一份代码两次结果不同 def set_seed(seed=42): np.random.seed(seed) torch.manual_seed(seed) torch.cuda.manual_seed_all(seed) set_seed(42) best_val_loss = float("inf") patience = 0 max_patience = 5 # 连续 5 轮验证损失不降就早停 for epoch in range(50): model.train() train_loss = 0.0 for xb, yb in train_loader: optimizer.zero_grad() pred = model(xb) loss = criterion(pred, yb) loss.backward() optimizer.step() train_loss += loss.item() # 验证阶段关掉梯度，节省内存并防止影响 BN 等层状态 model.eval() val_loss = 0.0 with torch.no_grad(): for xb, yb in val_loader: pred = model(xb) val_loss += criterion(pred, yb).item() val_loss /= len(val_loader) print(f"epoch {epoch+1:02d} | train_loss {train_loss:.4f} | val_loss {val_loss:.4f}") if val_loss < best_val_loss: best_val_loss = val_loss torch.save(model.state_dict(), "best_lstm.pt") patience = 0 else: patience += 1 if patience >= max_patience: print("early stop") break

loss 用 MSELoss 而不是 MAE，是因为 MSE 对大误差的惩罚更重。空气质量预测的业务上，高浓度事件（重污染过程）比低浓度的小误差更值得关注，MSE 会让模型优先拟合那些浓度飙升的时刻。代价是会让整体 MAE 略高，这是合理的取舍。

学习率 1e-3 配 Adam 是默认起点。空气质量数据特征尺度在 0~1 之间，梯度不会爆炸，这个学习率基本安全。如果发现 val_loss 震荡不降，把 lr 降到 3e-4；如果训练集 loss 都降不下去，先查数据预处理而不是调网络。

shuffle=True 在这里是允许的。虽然样本来自连续时间序列，但训练集内部 shuffle 只是打乱了 batch 组合顺序，不会把未来的时间步混进训练集，因为切分阶段已经隔离了。time shuffle 反而能让每个 batch 的样本来源更分散，梯度更新更稳定。

early stopping 的 patience 设 5。空气质量数据噪声大，验证损失会在 5~10 轮里来回波动，patience 太小会过早停掉，太大又浪费时间。训练完成后加载 best_lstm.pt，不要用最后一轮的权重。

4. 预测效果评估与可视化分析：不是画张曲线就完事

模型训练完了，接下来要回答“预测得到底准不准”。这一步要做的不是把两条曲线叠在一起喊一句“拟合得很好”，而是用指标衡量误差、用图形定位系统性偏差，再用相关性分析验证特征选择是否合理。

4.1 三个指标看预测质量：RMSE、MAE 与 R²

先加载最优权重，在测试集上做预测。注意预测结果是在 0~1 区间里的归一化值，必须反标准化成真实浓度才能算指标。

from sklearn.metrics import mean_squared_error, mean_absolute_error, r2_score model.load_state_dict(torch.load("best_lstm.pt", map_location="cpu")) model.eval() with torch.no_grad(): pred_norm = model(torch.tensor(X_test, dtype=torch.float32)).numpy() # 反标准化：MinMax 逆变换公式 # 原始值 = 归一化值 / scale_ + data_min_ pm25_idx = df.columns.get_loc("PM25") pm_scale = scaler_y.scale_[0] pm_min = scaler_y.data_min_[0] y_true = y_test / pm_scale + pm_min y_pred = pred_norm.ravel() / pm_scale + pm_min rmse = mean_squared_error(y_true, y_pred, squared=False) mae = mean_absolute_error(y_true, y_pred) r2 = r2_score(y_true, y_pred) # MAPE 要过滤掉接近 0 的样本，否则分母爆炸 mask = y_true > 10 mape = np.mean(np.abs((y_true[mask] - y_pred[mask]) / y_true[mask])) * 100 print(f"RMSE: {rmse:.2f} μg/m³") print(f"MAE: {mae:.2f} μg/m³") print(f"R²: {r2:.3f}") print(f"MAPE(PM2.5>10): {mape:.1f}%")

RMSE 是主指标，它放大高浓度样本的误差，重污染过程预测偏了，RMSE 立刻变难看。MAE 反映整体平均偏移，适合衡量日常预测稳定性。R² 看趋势解释力，但时间序列的 R² 比回归场景更容易虚高，因为相邻小时浓度本来就高度自相关，不能单独拿来下结论。我一般不设绝对达标线，而是用“RMSE 控制在当季 PM2.5 均值的三分之一以内”作为可用线，不同城市、不同季节差异很大，硬套数字没有意义。

MAPE 在这里只统计 PM2.5 大于 10 的样本。夜间浓度常年在个位数徘徊，真实值 5 预测 8，绝对误差只有 3，MAPE 却会算出 60% 的误差率，严重拉低指标可信度。

4.2 预测曲线、误差分布与按小时误差箱线图

可视化分析的第一张图永远是“真实曲线 vs 预测曲线”。画图前先把 matplotlib 的中文字体配好，否则图里全是方块。

import matplotlib.pyplot as plt plt.rcParams["font.sans-serif"] = ["SimHei"] plt.rcParams["axes.unicode_minus"] = False # 解决负号显示成方块的问题 test_index = df.index[train_size + val_size + SEQ_LEN:] # 与 X_test 对齐 # 注意窗口构造截掉了开头的 SEQ_LEN 个时间点 fig, ax = plt.subplots(figsize=(14, 5)) ax.plot(test_index, y_true, label="真实 PM2.5", linewidth=0.8, color="black") ax.plot(test_index, y_pred, label="LSTM 预测", linewidth=0.8, color="crimson") ax.set_xlabel("时间") ax.set_ylabel("PM2.5 浓度 (μg/m³)") ax.legend() plt.tight_layout() plt.savefig("pred_curve.png", dpi=150)

这张图重点看两个地方：峰值出现的位置是否滞后，以及低浓度段预测是否系统性偏高。滞后问题后面避坑章节专门讲，这里先用图确认整体趋势是否跟得住。

第二张图是误差分布，第三张图按小时分组看误差，用来定位“哪个时段模型最不靠谱”。

error = y_true.ravel() - y_pred.ravel() # 误差直方图：看偏差是否集中在 0 附近，是否右偏 fig, ax = plt.subplots(figsize=(8, 4)) ax.hist(error, bins=50, color="steelblue", edgecolor="white") ax.set_xlabel("预测误差 (μg/m³)") ax.set_ylabel("频数") plt.tight_layout() plt.savefig("error_hist.png", dpi=150) # 按小时分组误差箱线图：定位早晚高峰的系统性偏差 error_df = pd.DataFrame({"hour": test_index.hour, "error": error}) fig, ax = plt.subplots(figsize=(12, 5)) error_df.boxplot(column="error", by="hour", ax=ax) ax.set_xlabel("小时") ax.set_ylabel("预测误差 (μg/m³)") plt.suptitle("") plt.tight_layout() plt.savefig("error_by_hour.png", dpi=150)

按小时箱线图很能说明问题。比如早上 7~9 点误差整体为正，说明早高峰排放过程模型低估了；夜间误差离散度大，说明低浓度时段噪声本来就高。看到这种规律，下一步不是调 LSTM 参数，而是考虑加气象特征或把早晚高峰单独建模。

4.3 相关性热力图：用可视化辅助选特征

可视化分析不只在评估阶段有用，建特征之前更该看一眼相关性矩阵。

import seaborn as sns corr = df[["PM25", "PM10", "NO2", "SO2", "CO", "O3", "AQI"]].corr() plt.figure(figsize=(8, 6)) sns.heatmap(corr, annot=True, fmt=".2f", cmap="coolwarm", vmin=-1, vmax=1, linewidths=0.5) plt.tight_layout() plt.savefig("corr_heatmap.png", dpi=150)

PM10 与 PM2.5 的相关性通常很高，因为同源且粒径分布有重叠；CO 和 PM2.5 强相关一般指向燃烧源；O3 与 PM2.5 的关系复杂，夏季高 O3 往往伴随光化学二次气溶胶生成，冬季则常常负相关。这些规律可以帮助决定哪些列要进模型。但要注意：相关性高不代表因果，CO 与 PM2.5 都来自机动车排放，去掉 CO 模型未必变差。热力图只是辅助特征选择的起点，真正判断得靠“加特征 vs 不加特征”的对照实验。

5. 避坑：空气质量时间序列预测最常见的 5 个翻车点

LSTM 预测空气质量这事，模型结构翻车的少，数据流程翻车的多。下面五条是我自己踩过的坑，按“现象 → 原因 → 解决”写清楚。

5.1 预测曲线比真实曲线慢一拍

现象：预测曲线和真实曲线形状几乎一样，但整条线往右平移了一个时间步，真实浓度开始涨了，预测还在低位，等到真实值到顶了，预测才追上来。

原因：单步预测的模型在训练时发现，最优策略就是“复读最近的值”。因为 PM2.5 小时序列自相关性极强，前一小时浓度对后一小时浓度的解释力超过任何特征，MSE 损失下模型学会了抄近道。

解决：先把滞后程度定量化，确认不是肉眼错觉。

from scipy.stats import pearsonr # 计算预测与真实值的同期相关，以及与真实值滞后1小时的相关 corr_same = pearsonr(y_true[1:], y_pred[1:])[0] corr_shift = pearsonr(y_true[:-1], y_pred[1:])[0] print(f"同期相关: {corr_same:.3f}, 预测比真实滞后1小时的相关: {corr_shift:.3f}")

如果 corr_shift 明显大于 corr_same，基本可以断定滞后。缓解办法有三个：把 HORIZON 改成 3 或 6 做真正的多步预测，让模型为更远的目标优化；加入温度、风速、边界层高度等气象特征，切断“只靠上一小时浓度”的捷径；或者接受单步滞后，只把预测用于未来 3 小时以上的趋势判断。

5.2 直接 dropna 导致时间轴断裂

现象：训练曲线看起来正常，一旦看预测曲线，发现某个时刻预测值凭空跳变，而真实数据并没有对应突变。

原因：很多人清洗数据时直接 df.dropna()，缺失行被删掉后，物理时间上相隔几小时甚至几天的两条记录，在 DataFrame 里变成了相邻行。滑动窗口把这两个不相邻时刻拼成一个样本，模型学到的是“跨越缺失段的伪规律”。

解决：先看缺失率，缺失率低于 5% 用 ffill 加插值；成段缺失超过 24 小时的直接砍掉这段，并在构造窗口时让窗口不跨过断裂点。

# 找出成段缺失的区间，窗口构造时跳过 missing_mask = df.isna().any(axis=1) # 连续缺失超过 24 小时的段，记录起止时间，切窗口时丢弃跨段样本

这个“跳过跨段样本”的细节我吃过一次大亏。补上之后模型在真实污染过程中的表现立刻正常了。

5.3 全量数据 fit MinMaxScaler 造成信息泄漏

现象：验证集指标非常漂亮，R² 上了 0.95，一放到新数据上预测就明显失真。

原因：标准化时对整个数据集调用了 fit_transform，测试集的 min 和 max 已经参与训练数据缩放。模型在训练时等于见过了未来数据的取值边界，这是典型的泄漏。

解决：严格按 2.2 节的顺序——先按时间切分，再只在训练段上 fit scaler，验证和测试段只 transform。切分必须在任何统计量计算之前完成。

5.4 MAPE 遇到 PM2.5 接近 0 时算出一百多

现象：MAPE 算出来一两百，怎么看都不合理，但 RMSE 和 MAE 都正常。

原因：PM2.5 浓度在清洁天气下可能只有个位数，真实值 5、预测值 3，绝对误差很小，MAPE 分母是 5，直接算出 40% 误差率。夜里一堆接近 0 的样本，MAPE 瞬间爆炸。

解决：不要对全量样本算 MAPE，过滤掉 PM2.5 低于 10 的样本再算，并同时报 RMSE 和 MAE。做业务汇报时，MAPE 结合 RMSE 一起说，避免单指标误导。

5.5 随机种子不固定导致调参像抽卡

现象：同样的代码、同样的数据，两次训练结果不一样，今天跑 R² 0.82，明天跑 0.78，想比较两组参数谁更好都没法定论。

原因：PyTorch 的权重初始化、DataLoader 的 shuffle、甚至操作系统的线程调度都会带来随机性。神经网络本身不是确定性过程。

解决：固定全链路随机种子，并保存一份训练参数记录。

import random random.seed(42) np.random.seed(42) torch.manual_seed(42) torch.cuda.manual_seed_all(42) # 如果追求严格可复现，把 DataLoader 的 worker 随机种子也固定 def _worker_init(worker_id): np.random.seed(42 + worker_id) DataLoader(train_ds, batch_size=64, shuffle=True, worker_init_fn=_worker_init)

固定种子后，同参数结果稳定，调参才有可比性。这不算玄学，而是工程上可复现性的基本要求。

6. 把模型用起来：滚动预测、模型导出与后续验证

训练和评估做完，模型还躺在 Jupyter 里。要真正用起来，至少需要三步：写一个滚动预测函数做多步外推，把模型和 scaler 参数一起导出，规划定期重训练。

滚动预测的思路是把预测出的浓度值当作已知值拼回输入序列，再预测下一个时刻。下面是预测未来 24 小时的简版实现。

def rolling_forecast(model, last_seq, steps=24, first_pred_idx=pm25_idx): """last_seq: [seq_len, n_features] 已归一化的最近窗口""" model.eval() seq = last_seq.clone() preds = [] with torch.no_grad(): for _ in range(steps): p = model(seq.unsqueeze(0)) # [1,1] preds.append(p.item()) new_step = seq[-1].clone() new_step[first_pred_idx] = p.item() # 把新预测的PM2.5接进去 seq = torch.cat([seq[1:], new_step.unsqueeze(0)], dim=0) return np.array(preds)

这段代码最要注意的是 new_step 的处理。多污染物预测时，我们只滚动 PM2.5，其他特征列暂时沿用最近观测值。这是常见近似，误差会随时间步累积，预测未来 3~6 小时还能看，超过 12 小时就只能看趋势方向，不要当精确值用。严格做法是给每个特征都建预测模型，或者引入气象预报值作为外部输入。

导出模型时，把 scaler 参数一起保存，否则换了环境无法反标准化。

torch.save(model.state_dict(), "lstm_air.pt") np.savez("scaler_params.npz", scale_x=scaler_X.scale_, min_x=scaler_X.data_min_, scale_y=scaler_y.scale_, min_y=scaler_y.data_min_)

空气质量存在明显的季节漂移：冬季采暖期排放结构完全不同于夏季，同一个模型跨季往往变差。我的习惯是每周用最新数据重训一次，或者用新数据对旧模型微调几个 epoch 而不是从零训练。做任何新一批监测数据时，先查滞后和标准化泄漏这两个问题再动网络结构，这是我做这套系统最深的教训。希望帮到你。

本文还有配套的精品资源，点击获取