### 使用 PyTorch 构建气温预测模型 #### 数据准备阶段 为了构建一个有效的气温预测模型，首先需要准备好用于训练的数据集。通常情况下，这些数据会存储在一个 CSV 文件中，例如 `temperature_data.csv`[^2]。 ```python import pandas as pd from sklearn.preprocessing import MinMaxScaler # 加载温度数据并预处理 data = pd.read_csv('temperature_data.csv') scaler = MinMaxScaler(feature_range=(-1, 1)) scaled_data = scaler.fit_transform(data[['Temperature']]) ``` #### 创建序列化输入 由于 LSTM 模型依赖于时间序列特性，在创建模型之前要先将原始数据转化为适合 LSTM 输入的形式： ```python def create_sequences(data, time_step=60): X, y = [], [] for i in range(len(data)-time_step-1): a = data[i:(i+time_step), 0] X.append(a) y.append(data[i + time_step, 0]) return np.array(X), np.array(y) X_train, y_train = create_sequences(scaled_data, time_step=60) ``` #### 定义 LSTM 模型架构 接下来定义 LSTM 的网络结构，这里采用了一个较为基础的设计方案，可以依据实际需求调整层数和单元数： ```python import torch.nn as nn import torch class TemperaturePredictor(nn.Module): def __init__(self, input_dim=1, hidden_dim=50, num_layers=2, output_dim=1): super(TemperaturePredictor, self).__init__() self.hidden_dim = hidden_dim self.num_layers = num_layers self.lstm = nn.LSTM(input_dim, hidden_dim, num_layers, batch_first=True) self.fc = nn.Linear(hidden_dim, output_dim) def forward(self, x): h0 = torch.zeros(self.num_layers, x.size(0), self.hidden_dim).requires_grad_() c0 = torch.zeros(self.num_layers, x.size(0), self.hidden_dim).requires_grad_() out, (hn, cn) = self.lstm(x, (h0.detach(), c0.detach())) out = self.fc(out[:, -1, :]) return out ``` #### 训练过程设置 完成上述准备工作之后就可以开始配置优化器以及损失函数，并启动训练循环了: ```python model = TemperaturePredictor() criterion = nn.MSELoss() optimizer = torch.optim.Adam(model.parameters(), lr=0.01) for epoch in range(num_epochs): outputs = model(train_X_tensor) optimizer.zero_grad() loss = criterion(outputs, train_y_tensor) loss.backward() optimizer.step() ``` 以上就是利用 PyTorch 实现简单版本的气温预测模型的过程概述。值得注意的是，具体参数的选择应当根据实际情况灵活调整；此外还可以考虑引入更多特征量以提高预测精度。